更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬虫、人工智能教学等着你：https://www.cnblogs.com/nickchen121/p/11686958.html

手写数字识别应用程序

一、导入模块

import os

import pylab

import numpy as np

from PIL import Image

import matplotlib.pyplot as plt

from sklearn.svm import SVC

%matplotlib inline

二、图像转向量

def img2vector(filename):

    """将32*32的二进制图像转换为1*1024向量"""

    # 构造一个一行有1024个元素的即 1*1024 的零向量

    return_vect = np.zeros((1, 1024))

    with open(filename, 'r', encoding='utf-8') as fr:

        # 读取文件的每一行的所有元素

        for i in range(32):

            line_str = fr.readline()

            # 把文件每一行的所有元素按照顺序写入构造的 1*1024 的零矩阵

            for j in range(32):

                return_vect[0, 32 * i + j] = int(line_str[j])

        # 返回转换后的 1*1024 向量

        return return_vect

三、训练并测试模型

# 手写数字集另一种导入方式

# 直接导入不贴近工业

def hand_writing_class_test():

    """手写数字分类测试"""

    # 对训练集数据做处理，构造一个 m*1024 的矩阵，m 是训练集数据的个数

    hw_labels = []

    training_file_list = os.listdir('datasets/digits/trainingDigits')  # type:list

    m = len(training_file_list)

    # 初始化训练的Mat矩阵，测试集

    training_mat = np.zeros((m, 1024))

    for i in range(m): # 0,1,2,3,4,...,1933

        # 取出文件中包含的数字

        file_name_str = training_file_list[i]  # type:str

        file_str = file_name_str.split('.')[0]

        class_num_str = int(file_str.split('_')[0])

        # 添加标记到hw_labels中

        hw_labels.append(class_num_str)

        # 把该文件中的所有元素构造成 1*1024 的矩阵后存入之前构造的 m*1024 的矩阵中对应的行

        training_mat[i, :] = img2vector(

            'datasets/digits/trainingDigits/{}'.format(file_name_str))

    # 训练模型

    clf = SVC(C=200, kernel='rbf', gamma='auto')

    clf.fit(training_mat, hw_labels)

    # 返回testDigits目录下的文件列表

    test_file_list = os.listdir('digits/testDigits')

    # 错误检测计数

    error_count = 0

    # 测试数据的数量

    m_test = len(test_file_list)

    # 对测试集中的单个数据做处理

    for i in range(m_test):

        # 取出文件中包含的数字

        file_name_str = test_file_list[i]

        file_str = file_name_str.split('.')[0]

        class_num_str = int(file_str.split('_')[0])

        # 把该文件中的所有元素构造成一个 1*1024 的矩阵

        vector_under_test = img2vector(

            'digits/testDigits/{}'.format(file_name_str))

        # 对刚刚构造的 1*1024 的矩阵进行分类处理判断结果

        classifier_result = clf.predict(vector_under_test)

#         print("分类返回结果为{}\t真实结果为{}".format(classifier_result, class_num_str))

        # 对判断错误的计数加 1

        if classifier_result != class_num_str:

            error_count += 1

    print("总共错了{}个数据\n错误率为{:.2f}".format(

        error_count, error_count/m_test * 100))

    return clf

clf = hand_writing_class_test()

总共错了13个数据

错误率为1.37

四、模型转应用程序

4.1 展示图片

img = Image.open('img/2.jpg')

plt.imshow(img)

plt.show()

![png](http://www.chenyoude.com/ml/C-01 手写数字识别_9_0.png?x-oss-process=style/watermark)

4.2 处理图片

C-01 手写数字识别-LMLPHP

def img_binaryzation(img_filename):

    """处理图片为文本文件"""

    # 调整图片的大小为 32*32px

    img = Image.open(img_filename)

    out = img.resize((32, 32), Image.ANTIALIAS)

    img_filename = 'test.jpg'

    out.save(img_filename)

    # RGB 转为二值化图

    img = Image.open(img_filename)

    lim = img.convert('1')

    lim.save(img_filename)

    img = Image.open(img_filename)

    # 将图像转化为数组并将像素转换到0-1之间

    img_ndarray = np.asarray(img, dtype='float64') / 256

    # 将图像的矩阵形式转化成一位数组保存到 data 中

    data = np.ndarray.flatten(img_ndarray)

    # 将一维数组转化成矩阵

    a_matrix = np.array(data).reshape(32, 32)

    # 将矩阵保存到 txt 文件中转化为二进制0，1存储

    img_filename_list = img_filename.split('.')  # type:list

    img_filename_list[-1] = 'jpg'

    txt_filename = '.'.join(img_filename_list)

    pylab.savetxt(txt_filename, a_matrix, fmt="%.0f", delimiter='')

    # 把 .txt 文件中的0和1调换

    with open(txt_filename, 'r') as fr:

        data = fr.read()

        data = data.replace('1', '2')

        data = data.replace('0', '1')

        data = data.replace('2', '0')

        with open(txt_filename, 'w') as fw:

            fw.write(data)

    return txt_filename

4.3 预测图片

def hand_writing_predict(img_filename):

    # 处理图片为文本文件

    txt_filename = img_binaryzation(img_filename)

    # 把该文件中的所有元素构造成一个 1*1024 的矩阵

    vector_under_test = img2vector(txt_filename)

    # 对刚刚构造的 1*1024 的矩阵进行分类处理判断结果

    classifier_result = clf.predict(vector_under_test)

    return classifier_result

print('**结果:{}**'.format(hand_writing_predict('img/2.jpg')))

os.remove('test.jpg')

**结果:[2]**