一、訓練模型板塊分為六個部分

1）載入資料集，資料和標籤的向量化

2）網路構架

3）編譯模型

4）模型訓練

5）評估模型

6）資料預測

from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical
from tensorflow.keras import models
from tensorflow.keras import layers
from tensorflow.keras import optimizers
import numpy as np
#1.處理輸入資料
 

#1.1.獲取模型訓練和測試資料
(x_train, y_train), (x_test, y_test) = mnist.load_data()
#1.2.資料歸一化
#1.2.1.輸入資料歸一化
#提高模型的精度，再就是使得模型的精度更容易趨於飽和
x_train = x_train.reshape(60000, 28, 28, 1)
x_train = x_train.astype('float')/255
x_test = x_test.reshape(10000, 28, 28, 1)
x_test = x_test.astype('float')/255
#1.2.2.標籤向量化,為什麼要標籤向量化？
 

#相對於for迴圈，向量化的時間計算效率更快
y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

#2.構建網路
model = models.Sequential()
#卷積層的作用?
#1)平移不變性，從小部分出發，以此類推。2）模式的空間層次結構，在前面的基礎上層層遞進
model.add(layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu',
                        input_shape=(28,28,1)))
 
#為什麼採用池化層
#為什麼採用Maxpool2D
#有利於前面卷積層的空間層次結構，減少需要處理的特徵圖的元素個數，簡化計算
model.add(layers.MaxPool2D(pool_size=(2, 2)))
model.add(layers.Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(layers.MaxPool2D(pool_size=(2, 2)))
model.add(layers.Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(layers.MaxPool2D(pool_size=(2, 2)))
#Flatten資料打平，變成一列，常用與卷積層到全連線層的過渡，不影響批量大小
model.add(layers.Flatten())
model.add(layers.Dense(256, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))
#3.編譯
model.compile(optimizer=optimizers.RMSprop(lr=1e-3),
              loss='categorical_crossentropy',
              metrics=['accuracy'])
#4.訓練模型
model.fit(x_train, y_train, epochs=10, batch_size=128)
#5.模型測試
loss,acc = model.evaluate(x_test,y_test)
print(loss,acc)
#模型儲存 --*.h5格式
model.save('mnistTrainOnCNN.h5')

二、手寫數字識別視窗的顯示

# 模型測試部分程式碼
import tkinter as tk
import tkinter.messagebox as tkmessagebox
import numpy as np
from tensorflow.keras.models import load_model
from PIL import Image
#建立視窗類
class window(tk.Tk):
    #視窗的的初始化函式
    def __init__(self):
        tk.Tk.__init__(self)
        #在Tkinter根視窗中根據使用者需要更改視窗大小
        self.resizable(0, 0)#設定(0,0)視窗無法移動
        self.title('手寫數字識別系統')
        self.geometry('280x280+600+300')  # 設定窗體大小和位置，後面的是移動的寬和高
        self.canvas = tk.Canvas(self, width=280, height=280, background='black')
        #自動填充視窗的空間，expend為yes時，擴充到最大
        self.canvas.pack(fill='both', expand='yes')
        #表示滑鼠移到某個位置所觸發的事件
        self.canvas.bind('<B1-Motion>', self.on_move_press)
        #使用者釋放滑鼠產生的事件
        self.canvas.bind('<ButtonRelease-1>', self.on_button_release)
        self.r = 3  # 書寫筆畫的寬度
        self.data = np.zeros([280, 280])  # 畫布影象資料的尺寸
     #手寫數字的函式定義
    def on_move_press(self, event):
        #建立一個長方形，outline表示邊框不設定顏色，前面兩個引數，表示左上角的座標，後面兩個引數表示右下角座標
        self.canvas.create_rectangle(event.x - self.r, event.y - self.r, event.x + self.r, event.y + self.r, fill='white',
                                     outline='', tag='c')
        # 有筆畫部分資料設為白色，畫素值=255
        self.data[event.y - self.r:event.y + self.r, event.x - self.r:event.x + self.r] = 255
    #設定按鈕函式
    def on_button_release(self,event):
        self.data = np.matrix(self.data)  # 陣列轉為矩陣形式
        img = Image.fromarray(np.uint8(self.data))  # 格式化為PIL.Image形式
        img_array = img.resize((28, 28))  # 縮放到mnist資料集樣本大小
        img_array = np.reshape(img_array, (28, 28, 1))  # 將二維矩陣轉為一層的三維矩陣，如彩色影象，應為3層
        #將數字影象矩陣數定義為1個樣本並歸一化
        img_array = img_array.reshape(1, 28, 28, 1) / 255.0
        # 載入模型
        model = load_model('mnistTrainOnCNN.h5')
        # 進行預測
        prediction = model.predict(img_array)
        #顯示，詢問選擇對話方塊
        result = tkmessagebox.askokcancel(title='識別結果', message='識別的數字是:' + str(np.argmax(prediction)))
        if (result == 1):
            self.canvas.delete('c')
            self.data[:, :] = 0
        return
#主函式
if __name__ == '__main__':
    w = window()
    w.mainloop()#相當while語句