# 部分函数请参考前一篇或后一篇文章

import tensorflow as tf

import tfrecords2array

import numpy as np

import matplotlib.pyplot as plt

from collections import OrderedDict

def lenet(char_classes):

    y_train = []

    x_train = []

    y_test = []

    x_test = []

    for char_class in char_classes:

        train_data = tfrecords2array.tfrecord2array(

            r"./data_tfrecords/" + char_class + "_tfrecords/train.tfrecords")

        test_data = tfrecords2array.tfrecord2array(

            r"./data_tfrecords/" + char_class + "_tfrecords/test.tfrecords")

        y_train.append(train_data[0])

        x_train.append(train_data[1])

        y_test.append(test_data[0])

        x_test.append(test_data[1])

    for i in [y_train, x_train, y_test, x_test]:

        for j in i:

            print(j.shape)

    y_train = np.vstack(y_train)

    x_train = np.vstack(x_train)

    y_test = np.vstack(y_test)

    x_test = np.vstack(x_test)

    class_num = y_test.shape[-1]

    print("x_train.shape=" + str(x_train.shape))

    print("x_test.shape=" + str(x_test.shape))

    sess = tf.InteractiveSession()

    x = tf.placeholder("float", shape=[None, 784])

    y_ = tf.placeholder("float", shape=[None, class_num])

    # 把x更改为4维张量，第1维代表样本数量，第2维和第3维代表图像长宽， 第4维代表图像通道数, 1表示黑白

    x_image = tf.reshape(x, [-1, 28, 28, 1])

    # 第一层：卷积层

    conv1_weights = tf.get_variable(

        "conv1_weights",

        [5, 5, 1, 32],

        initializer=tf.truncated_normal_initializer(stddev=0.1))

    # 过滤器大小为5*5, 当前层深度为1， 过滤器的深度为32

    conv1_biases = tf.get_variable("conv1_biases", [32],

                                   initializer=tf.constant_initializer(0.0))

    conv1 = tf.nn.conv2d(x_image, conv1_weights, strides=[1, 1, 1, 1],

                         padding='SAME')

    # 移动步长为1, 使用全0填充

    relu1 = tf.nn.relu(tf.nn.bias_add(conv1, conv1_biases))     # 激活函数Relu去线性化

    # 第二层：最大池化层

    # 池化层过滤器的大小为2*2, 移动步长为2，使用全0填充

    pool1 = tf.nn.max_pool(relu1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1],

                           padding='SAME')

    # 第三层：卷积层

    conv2_weights = tf.get_variable(

        "conv2_weights",

        [5, 5, 32, 64],

        initializer=tf.truncated_normal_initializer(stddev=0.1))

    # 过滤器大小为5*5, 当前层深度为32， 过滤器的深度为64

    conv2_biases = tf.get_variable(

        "conv2_biases", [64], initializer=tf.constant_initializer(0.0))

    conv2 = tf.nn.conv2d(pool1, conv2_weights, strides=[1, 1, 1, 1],

                         padding='SAME')

    # 移动步长为1, 使用全0填充

    relu2 = tf.nn.relu(tf.nn.bias_add(conv2, conv2_biases))

    # 第四层：最大池化层

    # 池化层过滤器的大小为2*2, 移动步长为2，使用全0填充

    pool2 = tf.nn.max_pool(relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1],

                           padding='SAME')

    # 第五层：全连接层

    fc1_weights = tf.get_variable("fc1_weights", [7 * 7 * 64, 1024],

                                  initializer=tf.truncated_normal_initializer(

                                  stddev=0.1))

    # 7*7*64=3136把前一层的输出变成特征向量

    fc1_biases = tf.get_variable(

        "fc1_biases", [1024], initializer=tf.constant_initializer(0.1))

    pool2_vector = tf.reshape(pool2, [-1, 7 * 7 * 64])

    fc1 = tf.nn.relu(tf.matmul(pool2_vector, fc1_weights) + fc1_biases)

    # 为了减少过拟合，加入Dropout层

    keep_prob = tf.placeholder(tf.float32)

    fc1_dropout = tf.nn.dropout(fc1, keep_prob)

    # 第六层：全连接层

    fc2_weights = tf.get_variable("fc2_weights", [1024, class_num],

                                  initializer=tf.truncated_normal_initializer(

                                  stddev=0.1))

    # 神经元节点数1024, 分类节点10

    fc2_biases = tf.get_variable(

        "fc2_biases", [class_num], initializer=tf.constant_initializer(0.1))

    fc2 = tf.matmul(fc1_dropout, fc2_weights) + fc2_biases

    # 第七层：输出层

    # softmax

    y_conv = tf.nn.softmax(fc2)

    # 定义交叉熵损失函数

    cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv),

                                                  reduction_indices=[1]))

    # 选择优化器，并让优化器最小化损失函数/收敛, 反向传播

    train_step = tf.train.AdamOptimizer(1e-5).minimize(cross_entropy)

    # tf.argmax()返回的是某一维度上其数据最大所在的索引值，在这里即代表预测值和真实值

    # 判断预测值y和真实值y_中最大数的索引是否一致，y的值为1-class_num概率

    correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))

    # 用平均值来统计测试准确率

    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

    # 开始训练

    saver = tf.train.Saver()

    sess.run(tf.global_variables_initializer())

    acc_train_train = []

    acc_train_test = []

    batch_size = 64

    epoch_train = 50001     # restricted by the hardware in my computer

    print("Training steps=" + str(epoch_train))

    for i in range(epoch_train):

        if (i*batch_size % x_train.shape[0]) > ((i + 1)*batch_size %

                                                x_train.shape[0]):

            x_data_train = np.vstack(

                (x_train[i*batch_size % x_train.shape[0]:],

                 x_train[:(i+1)*batch_size % x_train.shape[0]]))

            y_data_train = np.vstack(

                (y_train[i*batch_size % y_train.shape[0]:],

                 y_train[:(i+1)*batch_size % y_train.shape[0]]))

            x_data_test = np.vstack(

                (x_test[i*batch_size % x_test.shape[0]:],

                 x_test[:(i+1)*batch_size % x_test.shape[0]]))

            y_data_test = np.vstack(

                (y_test[i*batch_size % y_test.shape[0]:],

                 y_test[:(i+1)*batch_size % y_test.shape[0]]))

        else:

            x_data_train = x_train[

                i*batch_size % x_train.shape[0]:

                (i+1)*batch_size % x_train.shape[0]]

            y_data_train = y_train[

                i*batch_size % y_train.shape[0]:

                (i+1)*batch_size % y_train.shape[0]]

            x_data_test = x_test[

                i*batch_size % x_test.shape[0]:

                (i+1)*batch_size % x_test.shape[0]]

            y_data_test = y_test[

                i*batch_size % y_test.shape[0]:

                (i+1)*batch_size % y_test.shape[0]]

        if i % 640 == 0:

            train_accuracy = accuracy.eval(

                feed_dict={x: x_data_train, y_: y_data_train, keep_prob: 1.0})

            test_accuracy = accuracy.eval(

                feed_dict={x: x_data_test, y_: y_data_test, keep_prob: 1.0})

            print("step {}, training accuracy={}, testing accuracy={}".format(

                i, train_accuracy, test_accuracy))

            acc_train_train.append(train_accuracy)

            acc_train_test.append(test_accuracy)

        train_step.run(feed_dict={

            x: x_data_train, y_: y_data_train, keep_prob: 0.5})

    print("saving model...")

    save_path = saver.save(sess, "./my_model/model.ckpt")

    print("save model:{0} Finished".format(save_path))

    batch_size_test = 64

    epoch_test = y_test.shape[0] // batch_size_test + 1

    acc_test = 0

    for i in range(epoch_test):

        if (i*batch_size_test % x_test.shape[0]) > ((i + 1)*batch_size_test %

                                                    x_test.shape[0]):

            x_data_test = np.vstack((

                x_test[i*batch_size_test % x_train.shape[0]:],

                x_test[:(i+1)*batch_size_test % x_test.shape[0]]))

            y_data_test = np.vstack((

                y_test[i*batch_size_test % y_test.shape[0]:],

                y_test[:(i+1)*batch_size_test % y_test.shape[0]]))

        else:

            x_data_test = x_test[

                i*batch_size_test % x_test.shape[0]:

                (i+1)*batch_size_test % x_test.shape[0]]

            y_data_test = y_test[

                i*batch_size_test % y_test.shape[0]:

                (i+1)*batch_size_test % y_test.shape[0]]

        # plt.imshow(x_data_test[0].reshape(28, 28), cmap="gray")

        # plt.show()

        # Calculate batch loss and accuracy

        c = accuracy.eval(feed_dict={

            x: x_data_test, y_: y_data_test, keep_prob: 1.0})

        acc_test += c / epoch_test

        print("{}-th test accuracy={}".format(i, acc_test))

    print("At last, test accuracy={}".format(acc_test))

    print("Finish!")

    return acc_train_train, acc_train_test, acc_test

def plot_acc(acc_train_train, acc_train_test, acc_test):

    plt.figure(1)

    p1, p2 = plt.plot(list(range(len(acc_train_train))),

                      acc_train_train, 'r>',

                      list(range(len(acc_train_test))),

                      acc_train_test, 'b-')

    plt.legend(handles=[p1, p2], labels=["training_acc", "testing_acc"])

    plt.title("Accuracies During Training")

    plt.show()

def main():

    # integers:         4679

    # alphabets:        9796

    # Chinese_letters:  3974

    # training_set : testing_set == 4 : 1

    train_lst = ['alphabets', 'integers', 'alphabets',

                 'Chinese_letters', 'integers']

    acc_train_train, acc_train_test, acc_test = lenet(train_lst)

    plot_acc(acc_train_train, acc_train_test, acc_test)

if __name__ == '__main__':

    main()

Lenet车牌号字符识别+保存模型的更多相关文章

  1. vue实战 - 车牌号校验和银行校验

    在看这篇文章之前,我建议大伙可以去把项目demo拉到本地看看.如果觉得写得不好,可以一起提提issues,一起维护.或者大伙有刚需,可以留言,后期会不断完善. 使用方法: git clone http ...

  2. iOS手机号,身份证,车牌号正则表达式

    1.手机号判断,根据维基百科2016年6月修订的段号判断 是否是手机号 /** 手机号码 13[0-9],14[5|7|9],15[0-3],15[5-9],17[0|1|3|5|6|8],18[0- ...

  3. Android OpenCV集成摄像头图片动态识别车牌号

    最近两天开发一个使用OpenCV集成的一个识别车牌号的项目,困难重重,总结一下相关经验,以及开发注意事项: 一.开发环境: Android Studio 个人版本 3.1.4 NDK下载:14b CM ...

  4. 基于TensorFlow的车牌号识别系统

    简介 过去几周我一直在涉足深度学习领域,尤其是卷积神经网络模型.最近,谷歌围绕街景多位数字识别技术发布了一篇不错的paper.该文章描述了一个用于提取街景门牌号的单个端到端神经网络系统.然后,作者阐述 ...

  5. 【代码笔记】iOS-验证手机号，邮箱，车牌号是否合法

    一,代码. - (void)viewDidLoad { [super viewDidLoad]; // Do any additional setup after loading the view. ...

  6. 按要求编写Java应用程序。 （1）创建一个叫做机动车的类： 属性：车牌号(String)，车速(int)，载重量(double) 功能：加速(车速自增)、减速(车速自减)、修改车牌号，查询车的载重量。 编写两个构造方法：一个没有形参，在方法中将车牌号设置“XX1234”，速 度设置为100，载重量设置为100；另一个能为对象的所有属性赋值； （2）创建主类： 在主类中创建两个机动车对象。 创建第

    package com.hanqi.test; public class jidongche { private String chepaihao;//车牌号 private int speed;// ...

  7. Android中手机号、车牌号正则表达式

    手机号 手机号的号段说明转载自:国内手机号码的正则表达式|蜗牛的积累 手机名称有GSM:表示只支持中国联通或者中国移动2G号段(130.131.132.134.135.136.137.138.139. ...

  8. 车牌号对应归属地及城市JSON带简码

    车牌号对应归属地及城市JSON带简码 car_city.json [ { "code": "冀A", "city": "石家庄&q ...

  9. （1）创建一个叫做机动车的类： 属性：车牌号(String)，车速(int)，载重量(double) 功能：加速(车速自增)、减速(车速自减)、修改车牌号，查询车的载重量。 编写两个构造方法：一个没有形参，在方法中将车牌号设置“XX1234”，速 度设置为100，载重量设置为100；另一个能为对象的所有属性赋值； （2）创建主类： 在主类中创建两个机动车对象。

    package a; public class Jidongche { private String chepaihao; private int chesu; private double zaiz ...

随机推荐

  1. 华为路由配置IPSec

    用该方法配置后用抓包工具抓取的就看不到两个通讯点的IP,而显示的是加密点的IP. 原文:https://www.cnblogs.com/yangyang1988/p/11559819.html

  2. jQuery 勾选启用输入框

    <!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title> ...

  3. Soul API 网关源码解析 02

    如何读开源项目:对着文档跑demo,对着demo看代码,懂一点就开始试,有问题了问社区. 今日目标: 1.运行examples下面的 http服务 2.学习文档,结合divde插件,发起http请求s ...

  4. ubuntu 更改U盘设备分区/dev/sdb4 标识

    备份u盘分区表 代码: sudo sfdisk -d /dev/sdb > sdb_table 修改sdb_table文件 代码: gedit sdb_table 恢复u盘分区表 代码: sud ...

  5. 一次I/O问题引发的P0重大故障[改版重推] 原创 二马读书 二马读书 8月16日 这是前段时间发的一篇文章，很多读者反馈，文章没有揭示故障发生的详细

    一次I/O问题引发的P0重大故障[改版重推] 原创 二马读书 二马读书 8月16日 这是前段时间发的一篇文章,很多读者反馈,文章没有揭示故障发生的详细

  6. 游标 深度分页 deep paging

    Solr Deep Paging(solr 深分页) - ickes的专栏 - CSDN博客 https://blog.csdn.net/xl_ickes/article/details/427725 ...

  7. file descriptor 0 1 2 一切皆文件 stdout stderr stdin /dev/null 沉默是金 pipes 禁止输出 屏蔽 stdout 和 stderr 输入输出重定向 重定向文件描述符

    movie.mpeg.001 movie.mpeg.002 movie.mpeg.003 ... movie.mpeg.099   $cat movie.mpeg.0*>movie.mpeg   ...

  8. Azure Terraform（八）利用Azure DevOps 实现Infra资源和.NET CORE Web 应用程序的持续集成、持续部署

    一,引言 上一篇讲解到利用 Azure DevOps 将整个 Azure Web App,Azure Traffic Manager profile,Azure Storage Account,Azu ...

  9. 四：Spring Security 登录使用 JSON 格式数据

    Spring Security 登录使用 JSON 格式数据 1.基本登录方案 1.1 创建 Spring Boot 工程 1.2 添加 Security 配置 2.使用JSON登录 江南一点雨-Sp ...

  10. 六：SpringBoot-引入JdbcTemplate,和多数据源配置

    SpringBoot-引入JdbcTemplate,和多数据源配置 1.JdbcTemplate对象 1.1 JdbcTemplate核心方法 2.SpringBoot中使用JDBCTemplate ...