卡号识别 搭建模型"/>
银行卡号识别 搭建模型
识别思路
- 获取数据集（上网爬取，或者直接找公开的图片数据集）
- 数据集的预处理，包括reshape、去噪、对比度增强、批量剪切、图片灰度、二值化、缩放、丰富数据等等（公开数据集一般已处理完）
- 对图片集进行处理，得到网络的输入(2、3都可以看成预处理部分)
- 搭建卷积神经网络框架
- 进行网络的训练
- 读取训练好的网络模型完成测试
通过Keras构建深度学习模型的步骤如下：
定义模型：创建一个序贯模型（Sequential）并添加配置层。
这个小实践中用add函数添加层，全连接网络层用Dense类定义，需要设置网络层的神经元数量和激活函数，是一个简单的感知器。
编译模型：指定损失函数和优化器，并调用模型的compile（）函数，完成编译。
compile函数要设置loss函数，optimizer优化器以及merics 度量模型的标准
训练模型：用模型的fit()函数进行训练
参数为输入数据，输出标签，迭代次数和mini_batch的大小
测试代码
from keras import Sequential
from keras.layers import Dense
import numpy as np
np.random.seed(7) #设置随机数种子，使每次的随机数相同
#导入数据
data = np.loadtxt(’./database\pima-indians-diabetes.csv’,delimiter= ‘,’) #用逗号分隔
#数据集分为输入和输出
x_ori = data[:, : -1]
y_ori = data[:, -1]
#设置输入和输出的特征维度
n_x = x_ori.shape[1]
n_y = 1
1.定义模型
训练768次，定义损失函数
model = Sequential()
#定义三层神经网络全连接模型,y用Dense类定义，用add函数添加层
model.add(Dense(12, input_dim = n_x, activation= 'relu')) #输入层n_x和输入，第一层有12个神经元，使用relu激活函数
model.add(Dense(8, activation= 'relu'))
model.add(Dense(1, activation= 'sigmoid')) #分类问题输出#2 。 编译模型
modelpile(loss= 'binary_crossentropy', optimizer= 'adam', metrics= ['accuracy'])#3. 训练模型 （简单的训练方式，没有考虑测试集）
model.fit(x = x_ori, y = y_ori, epochs= 100, batch_size= 10)#4. 评估模型
scores = model.evaluate(x = x_ori, y = y_ori)
print ('\n%s :%.2f%%' %(model.metrics_names[1], scores[1] * 100))
评估模型好坏
k折交叉验证：是学习模型评估的黄金标准，提供模型为未知数据性能的可靠估计，其过程是将数据集分为k个子集，每次训练选择其中一个子集作为验证集，其余k-1个子集为训练集，因此共建立了k个模型，用则k个模型的平均值为最终评估结果。
值得注意的是，k折交叉验证不常用于深度学习模型，因为深度学习模型计算开销大（有多好个子集就要评估多少个模型，一个深度学习模型就已经很大了，若再训练k个，会大大增加模型评估的时间开销）
使用sklearn中的StratifiedKFold 类将数据集分为k个子集。设置 fit 中verbose = 0 可以关闭模型fit时的详细输出，在每个模型构建完毕后，进行评估并输出结果，在所有模型评估完毕后，输出模型的均值和标准差。
下面使我搭建模型的代码模块
import tensorflow as tf
import backward
import forward
import PreProcess as PPdef restore_model(testArr):with tf.Graph().as_default() as tg:x = tf.placeholder(tf.float32, [None, forward.INPUT_NODE])y = forward.forward(x, None)preValue = tf.argmax(y, 1)variable_averages = tf.train.ExponentialMovingAverage(backward.MOVING_AVERAGE_DECAY)variables_to_restore = variable_averages.variables_to_restore()saver = tf.train.Saver(variables_to_restore)with tf.Session() as sess:ckpt = tf.train.get_checkpoint_state(backward.MODEL_SAVE_PATH)if ckpt and ckpt.model_checkpoint_path:saver.restore(sess, ckpt.model_checkpoint_path)preValue = sess.run(preValue, feed_dict={x:testArr})return preValueelse:print("No checkpoint file found")return -1def application(file_path):data = PP.image_process(file_path)lable = ''if(len(data)==0):print("识别失败，请传入更清晰的图片")else:print("正在识别......")for i in range(len(data)):preValue = restore_model(data[i:i + 1])[0]lable += str(preValue)print("识别结果："+lable)
因为截图不知道跑到哪里了只能赋值粘贴代码了
实训练的时候，测试数据集应该是和训练数据集不一样的
遇到的问题
数学公式是真的看不懂，所以有的时候“知其然，而不知起所以然”但是答题思路是了解的
加油吧！！！
更多推荐
银行卡号识别 搭建模型
发布评论