自学教程：Python Opencv使用ann神经网络识别手写数字功能

from keras.datasets import mnistfrom keras import utilsimport cv2import numpy as np#opencv中ANN定义神经网络层def create_ANN():    ann=cv2.ml.ANN_MLP_create()    #设置神经网络层的结构 输入层为784 隐藏层为80 输出层为10    ann.setLayerSizes(np.array([784,64,10]))    #设置网络参数为误差反向传播法    ann.setTrainMethod(cv2.ml.ANN_MLP_BACKPROP)    #设置激活函数为sigmoid    ann.setActivationFunction(cv2.ml.ANN_MLP_SIGMOID_SYM)    #设置训练迭代条件     #结束条件为训练30次或者误差小于0.00001    ann.setTermCriteria((cv2.TermCriteria_EPS|cv2.TermCriteria_COUNT,100,0.0001))    return ann#计算测试数据上的识别率def evaluate_acc(ann,test_images,test_labels):    #采用的sigmoid激活函数，需要对结果进行置信度处理     #对于大于0.99的可以确定为1 对于小于0.01的可以确信为0    test_ret=ann.predict(test_images)    #预测结果是一个元组    test_pre=test_ret[1]    #可以直接最大值的下标 (10000,)    test_pre=test_pre.argmax(axis=1)    true_sum=(test_pre==test_labels)    return true_sum.mean()if __name__=='__main__':    #直接使用Keras载入的训练数据(60000, 28, 28) (60000,)    (train_images,train_labels),(test_images,test_labels)=mnist.load_data()    #变换数据的形状并归一化    train_images=train_images.reshape(train_images.shape[0],-1)#(60000, 784)    train_images=train_images.astype('float32')/255    test_images=test_images.reshape(test_images.shape[0],-1)    test_images=test_images.astype('float32')/255    #将标签变为one-hot形状 (60000, 10) float32    train_labels=utils.to_categorical(train_labels)    #测试数据标签不用变为one-hot (10000,)    test_labels=test_labels.astype(np.int)        #定义神经网络模型结构    ann=create_ANN()    #开始训练        ann.train(train_images,cv2.ml.ROW_SAMPLE,train_labels)    #在测试数据上测试准确率    print(evaluate_acc(ann,test_images,test_labels))        #保存模型    ann.save('mnist_ann.xml')    #加载模型    myann=cv2.ml.ANN_MLP_load('mnist_ann.xml')

import cv2import numpy as npif __name__=='__main__':    #读取图片    img=cv2.imread('shuzi.jpg',0)    img_sw=img.copy()    #将数据类型由uint8转为float32    img=img.astype(np.float32)    #图片形状由(28,28)转为(784,)    img=img.reshape(-1,)    #增加一个维度变为(1,784)    img=img.reshape(1,-1)    #图片数据归一化    img=img/255    #载入ann模型    ann=cv2.ml.ANN_MLP_load('minist_ann.xml')    #进行预测    img_pre=ann.predict(img)    #因为激活函数sigmoid，因此要进行置信度处理    ret=img_pre[1]    ret[ret>0.9]=1    ret[ret<0.1]=0    print(ret)    cv2.imshow('test',img_sw)    cv2.waitKey(0)