自己动手做一个识别手写数字的web应用02

继续上文。

自己动手做一个识别手写数字的web应用01

01

再次进入docker容器

接着上一篇文章，我们继续使用上次新建好的容器，可以终端输入 ：

docker ps -a

如上图，找到上次run的容器，我这边是容器名（NAMES）为suspicious_cori，启动它，可以终端输入：

docker start suspicious_cori

然后，终端再输入：

docker exec -i -t suspicious_cori bash

即可在容器中开启一个交互模式的终端。

终端输入

jupyter notebook

新建一个notebook

02

加载训练好的模型

加载上一篇训练好的模型，在新建的notebook里输入：

from keras.models import model_from_json

model=model_from_json(open('my_model_architecture.json').read())

model.load_weights('my_model_weights.h5')

03

读取需要识别的手写字图片

引入用于读取图片的库：

import matplotlib.image as mpimg

读取位于kerasStudy目录下的图片：

img = mpimg.imread('test.png')

'''

matplotlib只支持PNG图像，读取和代码处于同一目录下的 test.png ，注意，读取后的img 就已经是一个 np.array 了，并且已经归一化处理。

'''

'''

上文的png图片是单通道图片（灰度），如果test.png是rgb通道的图片，可以rgb2gray进行转化，代码如下：

def rgb2gray(rgb):

return np.dot(rgb[...,:3], [0.299, 0.587, 0.114])

img = rgb2gray(img)

'''

关于图片的通道，我们可以在photoshop里直观的查看：

先查看下读取的图片数组维度：

print(img.shape)

输出是(28, 28)

转化成正确的输入格式：

img = img.reshape(1, 784)

打印出来看看：

print(img.shape)

输出是(1, 784)

04

识别的手写字图片

输入：

pre=model.predict_classes(img)

打印出来即可：

print(pre)

识别出来是6：

1/1 [==============================] - 0s
[6]

至此，你已经学会了从训练模型到使用模型进行识别任务的全过程啦。

有兴趣可以试着替换其他的手写字图片进行识别看看。

当然也可以写个后端服务，部署成web应用。

关于第2部分Keras加载训练好的模型及预测的源代码文件，可以在后台留言，索取。