tensorflow下手写汉字识别及其可视化代码

手写汉字识别及其可视化（代码），学习了很长时间的图像处理，选定了一个手写汉字识别的课题。我个人感觉相对于其他任务的识别（比如MNIST,CIFAR-10）难点在于识别种类繁多，在如此繁多的种类中要达到一个很高的识别率确实不容易。

# encoding: utf-8
‘‘‘
@author: 真梦行路
@file: cnn.py
@time: 18-8-30 下午10:02
‘‘‘
#########################导入第三方库###################################
import time
import math
import random
import os
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
import dataset
import cv2

from sklearn.metrics import confusion_matrix
from datetime import timedelta

###################################加载数据路径########################################
train_path = ‘/home/wcy/图片/python/data/train‘
test_path = ‘/home/wcy/图片/python/data0/test‘
checkpoint_dir = ‘/home/wcy/图片/00/models‘
###################################加载数据路径########################################

############################设定模型参数###########################################
# Convolutional layer 1.
filter_size1 = 3
num_filters1 = 36

# Convolutional layer 2.
filter_size2 = 3
num_filters2 = 36

# Convolutional layer 3.
filter_size3 = 3
num_filters3 = 64

# Fully-connected layer.
fc_size = 256             # Number of neurons in fully-connected layer.

# Number of color channels for the images: 1 channel for gray-scale.
num_channels = 3
# image dimensions （only squares for now）
img_size = 70

# Size of image when flattened to a single dimension
img_size_flat = img_size * img_size * num_channels

# Tuple with height and width of images used to reshape arrays.
img_shape = （img_size img_size）

# class info
# classes = [‘dog‘ ‘cat‘]
classes = os.listdir（train_path）
num_classes = len（classes）

# batch size
batch_size = 1

# validation split
validation_size = .16
# how long to wait after validation loss stops improving before terminating training
early_stopping = None  # use None if you don‘t want to implement early stoping
############################设定模型参数###########################################

############################读取数据##############################################
data = dataset.read_train_sets（train_path img_size classes validation_size=validation_size）
test_images test_ids = dataset.read_test_set（test_path img_size）
print（data.train.labels.shape）
print（“Size of:“）
print（“- Training-set:\t\t{}“.format（len（data.train.labels）））
print（“- Test-set:\t\t{}“.format（len（test_images）））
print（“- Validation-set:\t{}“.format（len（data.valid.labels）））
############################读取数据##############################################

######函数##################随机取出9副图显示######################################
def plot_images（images cls_true cls_pred=None）:
    if len（images） == 0:
        print（“no images to show“）
        return
    else:
        random_indices = random.sample（range（len（images）） min（len（images） 9））

    images cls_true = zip（*[（images[i] cls_true[i]） for i in random_indices]）
    # print（‘1111111111111111111‘len（images））
    # Create figure with 3x3 sub-plots.
    fig axes = plt.subplots（3 3）
    fig.subplots_adjust（hspace=0.3 wspace=0.3）

    for i ax in enumerate（axes.flat）:
        # Plot image.
        ax.imshow（images[i].reshape（img_size

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件      25442  2019-04-11 13:59  dome\cnn.py

     文件        155  2019-04-11 14:08  dome\readme

     文件       4695  2018-11-21 16:34  dome\dataset.py

     文件        569  2018-11-21 19:04  dome\test.py

     文件       4554  2018-11-21 16:34  dome\__pycache__\dataset.cpython-35.pyc

     文件    1046164  2018-08-31 14:50  dome\.ipynb_checkpoints\cnn-checkpoint.ipynb

     目录          0  2019-04-11 14:02  dome\__pycache__

     目录          0  2019-04-11 14:02  dome\.ipynb_checkpoints

     目录          0  2019-04-11 14:08  dome

----------- ---------  ---------- -----  ----

              1081579                    9