本篇內容介紹了“python怎么構建和部署字母識別系統(tǒng)”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！
成都創(chuàng)新互聯(lián)公司服務項目包括錦州網站建設、錦州網站制作、錦州網頁制作以及錦州網絡營銷策劃等。多年來，我們專注于互聯(lián)網行業(yè)，利用自身積累的技術優(yōu)勢、行業(yè)經驗、深度合作伙伴關系等，向廣大中小型企業(yè)、政府機構等提供互聯(lián)網行業(yè)的解決方案，錦州網站推廣取得了明顯的社會效益與經濟效益。目前，我們服務的客戶以成都為中心已經輻射到錦州省份的部分城市，未來相信會繼續(xù)擴大服務區(qū)域并繼續(xù)獲得客戶的支持與信任！
讓我們從理解什么是卷積神經網絡開始。卷積神經網絡（CNN）是一種廣泛應用于圖像識別和分類的神經網絡。
cnn是多層感知器的正則化版本。多層感知器通常是指全連接網絡，即一層中的每個神經元都與下一層的所有神經元相連。
CNN由以下層組成：
卷積層：一個大小為3X3或5X5的“核”被傳遞到圖像上，并計算原始像素值與內核中定義的權重的點積。然后，該矩陣通過一個激活函數(shù)“ReLu”，該函數(shù)將矩陣中的每個負值轉換為零。
池化層：“池化矩陣”的大小有2X2或4X4，通過池化減小矩陣的大小，從而只突出圖像的重要特征。
共有兩種類型的池操作：
最大池是一種池類型，池化矩陣中存在的最大值被放入最終矩陣中。
平均池（Average Pooling）是一種池類型，其中計算池化矩陣中所有值的平均值并將其放入最終矩陣中。
注意：CNN架構中可以有多個卷積層和池層的組合，以提高其性能。
全連接層：最后的矩陣被展平成一維向量。然后將該向量輸入神經網絡。最后，輸出層是附加到圖像上的不同標簽（例如字母a、b、c）的概率列表。最高概率的標簽是分類器的輸出。
讓我們通過導入Jupyter Notebook中的庫開始實現(xiàn)，如下所示：
import numpy as np import matplotlib.pyplot as plt from keras.preprocessing.image import ImageDataGenerator from keras.preprocessing import image import keras from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Activation import os import pickle
然后，讓我們從a到z導入包含圖像的2個數(shù)據(jù)集，以訓練和測試我們的模型。
train_datagen = ImageDataGenerator(rescale = 1./255, shear_range = 0.2, zoom_range = 0.2, horizontal_flip = True) test_datagen = ImageDataGenerator(rescale = 1./255) train_generator = train_datagen.flow_from_directory( directory = 'Training', target_size = (32,32), batch_size = 32, class_mode = 'categorical' ) test_generator = test_datagen.flow_from_directory( directory = 'Testing', target_size = (32,32), batch_size = 32, class_mode = 'categorical' )
ImageDataGenerator生成一批張量圖像數(shù)據(jù)，通過使用rescale進行縮放，將0-255范圍內的RGB系數(shù)轉換為0到1之間的目標值。
shear_range用于隨機應用剪切變換。
zoom_range用于在圖片內部隨機縮放。
horizontal_flip用于水平隨機翻轉一半圖像。
然后我們使用**.flow_from_directory**從目錄中逐個導入圖像，并對其應用ImageDataGenerator。
然后，我們將圖像從原始大小轉換為目標大小，并聲明batch大小，它是指在一次迭代中使用的訓練示例的數(shù)量。
然后我們將class_mode設置為category，這表示我們有多個類（a到z）可以預測。
接下來我們構建我們的CNN架構。
model = Sequential() model.add(Conv2D(32, (3, 3), input_shape = (32,32,3), activation = 'relu')) model.add(MaxPooling2D(pool_size = (2, 2))) model.add(Conv2D(32, (3, 3), activation = 'relu')) model.add(MaxPooling2D(pool_size = (2, 2))) model.add(Flatten()) model.add(Dense(units = 128, activation = 'relu')) model.add(Dense(units = 26, activation = 'softmax')) model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy']) model.summary()
我們首先創(chuàng)建一個Sequential模型，它允許我們使用.add函數(shù)逐層定義CNN架構。
我們首先在輸入圖像上添加一個帶有32個3X3大小的濾波器（核）的卷積層，并將其通過“relu”激活函數(shù)。
然后我們使用大小為2X2的池執(zhí)行MaxPooling操作。
然后再次重復這些層以提高模型的性能。
最后，我們將得到的矩陣展平并通過一個由128個節(jié)點組成的全連接層。然后將其連接到由26個節(jié)點組成的輸出層，每個節(jié)點代表一個字母表。我們使用softmax激活將分數(shù)轉換成一個正態(tài)化的概率分布，并選擇概率最高的節(jié)點作為輸出。
一旦我們的CNN架構被定義，我們就使用adam優(yōu)化器編譯模型。
最后，我們對模型進行訓練。
model.fit_generator(train_generator, steps_per_epoch = 16, epochs = 3, validation_data = test_generator, validation_steps = 16)
模型訓練后的準確率為：93.42%
現(xiàn)在讓我們來測試我們的模型。但是在我們這樣做之前，我們需要定義一個函數(shù)，它給我們與結果相關聯(lián)的字母表。
重慶分公司
重慶分公司
def get_result(result):
if result[0][0] == 1:
return('a')
elif result[0][1] == 1:
return ('b')
elif result[0][2] == 1:
return ('c')
elif result[0][3] == 1:
return ('d')
elif result[0][4] == 1:
return ('e')
elif result[0][5] == 1:
return ('f')
elif result[0][6] == 1:
return ('g')
elif result[0][7] == 1:
return ('h')
elif result[0][8] == 1:
return ('i')
elif result[0][9] == 1:
return ('j')
elif result[0][10] == 1:
return ('k')
elif result[0][11] == 1:
return ('l')
elif result[0][12] == 1:
return ('m')
elif result[0][13] == 1:
return ('n')
elif result[0][14] == 1:
return ('o')
elif result[0][15] == 1:
return ('p')
elif result[0][16] == 1:
return ('q')
elif result[0][17] == 1:
return ('r')
elif result[0][18] == 1:
return ('s')
elif result[0][19] == 1:
return ('t')
elif result[0][20] == 1:
return ('u')
elif result[0][21] == 1:
return ('v')
elif result[0][22] == 1:
return ('w')
elif result[0][23] == 1:
return ('x')
elif result[0][24] == 1:
return ('y')
elif result[0][25] == 1:
return ('z')最后，讓我們測試一下我們的模型：
filename = r'Testing\e\25.png'
test_image = image.load_img(filename, target_size = (32,32))
plt.imshow(test_image)
test_image = image.img_to_array(test_image)
test_image = np.expand_dims(test_image, axis = 0)
result = model.predict(test_image)
result = get_result(result)
print ('Predicted Alphabet is: {}'.format(result))該模型正確地預測了輸入圖像的字母，結果為“e”。
Anvil是一個允許我們使用python構建全棧web應用程序的平臺。它使我們更容易將機器學習模型從Jupyter Notebook轉換成web應用程序。
讓我們首先在anvil上創(chuàng)建一個帳戶。完成后，用material design創(chuàng)建一個新的空白應用程序。
查看此鏈接，了解如何使用anvil的逐步教程：https://anvil.works/learn
右邊的工具箱包含所有可以拖到網站上的組件。
所需組件：
2個標簽（標題和子標題）
圖像（顯示輸入圖像）
FileLoader（上傳輸入圖像）
突出顯示按鈕（用于預測結果）
標簽（查看結果）
拖放這些組件并根據(jù)你的要求排列它們。
要添加標題和副標題，請在右側的“屬性”部分選擇標簽和，然后轉到名為“文本”的選項，如下所示（以紅色突出顯示），然后鍵入標題/副標題。
完成用戶界面后，進入上面所示的代碼部分（以綠色突出顯示）并創(chuàng)建一個新函數(shù)，如下所示
def primary_color_1_click(self, **event_args):
file = self.file_loader_1.file
self.image_1.source = file
result = anvil.server.call('model_run',file)
self.label_3.text = result
pass當我們按下“PREDICT”按鈕時，將執(zhí)行此函數(shù)。它將獲取從文件加載程序上傳的輸入圖像并將其傳遞到Jupyter Notebook的“model_run”函數(shù)。此函數(shù)將返回預測字母。
現(xiàn)在要做的就是把我們的anvil網站連接到Jupyter Notebook。
這需要執(zhí)行以下兩個步驟：
導入Anvil上行鏈路(uplink)密鑰：單擊設置按鈕，然后單擊上行鏈路，單擊啟用上行鏈路密鑰并復制密鑰。
在Jupyter Notebook內粘貼以下內容：
import anvil.server
import anvil.media
anvil.server.connect("paste your anvil uplink key here")創(chuàng)建一個“model_run”函數(shù)來預測上傳到網站中的圖像。
@anvil.server.callable
def model_run(path):
with anvil.media.TempFile(path) as filename:
test_image = image.load_img(filename, target_size = (32,32))
test_image = image.img_to_array(test_image)
test_image = np.expand_dims(test_image, axis = 0)
result = model.predict(test_image)
result = get_result(result)
return ('Predicted Alphabet is: {}'.format(result))現(xiàn)在你可以回到anvil，點擊run按鈕，字母識別系統(tǒng)就完全完成了。
“python怎么構建和部署字母識別系統(tǒng)”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關的知識可以關注創(chuàng)新互聯(lián)網站，小編將為大家輸出更多高質量的實用文章！
