（一）keras手写数字体识别并识别自己写的数字

训练数据用的是mnist，这是一个官网实例，我把它跑了一遍后把模型参数保存了下来，然后用参数来识别自己的图片数字。
程序主要三部分：

1. 跑官网实例保存模型参数
2. 制作自己的图片，转换为需要的格式
3. 加载模型参数，测试自己的照片

一、模型训练及参数保存

from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K

batch_size = 128
num_classes = 10
epochs = 12

# input image dimensions
# 输入图像维度
img_rows, img_cols = 28, 28

# the data, shuffled and split between train and test sets
# 用于训练和测试的数据集，经过了筛选（清洗、数据样本顺序打乱）和分割（分割为训练和测试集）
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 转换为输入需要的格式
if K.image_data_format() == 'channels_first':  # Theano框架，图像通道在前
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:  # TensorFlow框架，图像通道在后
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

# 浮点数
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
# 训练数量和测试数量
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
# 类别向量转为2分类矩阵
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

# 搭建网络
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

# 损失函数，优化器
model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])
# 开始训练
model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test))
# 测试
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

# 保存模型参数
model.save('model.h5')

训练得到的参数保存在程序所在目录里的 model.h5 文件里

二、制作自己的图片

尺寸是2828大小，背景黑色，字体白色，可以在电脑里的画图里制作，先用黑色笔写数字，然后反色，把每个数字截屏下来，然后处理成2828，黑白照片。
我用Opencv做的图片处理：
我做了0-9命名的10张图片，和程序在同一个目录下，当然也可以自己用其他方式处理

import cv2 as cv

for i in range(10):
    img = cv.imread("%d"%(i)+".png")
    img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

    res=cv.resize(img,(28,28),interpolation=cv.INTER_CUBIC)
    cv.imwrite("%d"%(i)+".png", res)
cv.waitKey(0)

三、识别自己的照片

现载入模型参数，然后预测自己的图片并输出预测值

from __future__ import print_function
import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np

# 导入模型
model = tf.keras.models.load_model('./model.h5')

for i in range(10):
    test_my_img = plt.imread('%d'%(i)+'.png')
    img = test_my_img
    test_my_img = test_my_img.reshape(1,28,28,1)
    p = model.predict(test_my_img)
    print(np.argmax(p[0]))
    plt.imshow(img)
    plt.show()

预测值和输入图片如下：

把9预测成7了，人眼很容易就认出来了，但程序分辨有点困难
识别一张大图片上有很多数字：https://blog.csdn.net/X1996_/article/details/108889366