使用kNN實現手寫字元識別

首先，我們的資料集分為訓練集和測試集，訓練集中含有將近2000個資料文件（在這個文件中將乙個32*32的向量圖），故為了在計算機中進行處理，我們需要先開啟檔案，迴圈讀出檔案前32行，並將每行的頭32個字元值儲存在numpy陣列中，最後返回陣列，**如下：

def

img2vector(filename):
returnvect=zeros((1,1024))
fr=open(filename)
for i in range(32):
linestr=fr.readline()
for j in range(32):
returnvect[0,32*i+j]=int(linestr[j])
return returnvect

實現這一步後，我們只需在實現測試**即可

def

handwritingclasstest():
hwlabels=
trainingfilelist=os.listdir('
trainingdigits
')#get 1
print
trainingfilelist
m=len(trainingfilelist)
print
m trainingmat=zeros((m,1024))
for i in
range(m):
filenamestr=trainingfilelist[i]
filestr=filenamestr.split('.'
)[0]
classnumstr=int(filestr.split('_'
)[0])
trainingmat[i,:]=img2vector('
trainingdigits/%s
' %filenamestr)
testfilelist=os.listdir('
testdigits')
errorcount=0.0mtest=len(testfilelist)
for i in
range(mtest):
filenamestr=testfilelist[i]
filestr=filenamestr.split('.'
)[0]
classnumstr=int(filestr.split('_'
)[0])
vectorundertest=img2vector('
testdigits/%s
' %filenamestr)
classifierresult=classify0(vectorundertest,trainingmat,hwlabels,3)
print
"the classifier came back with:%d,the real answer is:%d
" %(classifierresult,classnumstr)
if(classifierresult!=classnumstr):errorcount+=1.0
print
"\nthe total number of errors is:%d
" %errorcount
print
"\nthe total error rate od:%f:
" %(errorcount/float(mtest))

結束

手寫字元識別

個人認為，主要原因在於資料的收集較為困難，合成的方式不是很適合手寫字元的生成。第二，手寫字元存在過分和粘連等各種情況，但是現階段的技術而言，只要資料足夠，可以採用lstm ctc的方式去解決，不單獨獲取單個字元，而是直接採用行識別。手寫字元識別要想使用到產品中，關鍵還是要找好具體的業務點，比如，個人...

基於K 近鄰演算法的手寫字元識別

收集資料集，包括trainingdigits和testdigits資料夾，資料夾下是字元影象的二進位制文字檔案，大小為32 32，如下圖所示 首先介紹listdir，它能返回資料夾路徑下的所有子檔案 import os from os import listdir listdir r c users...

開源標準資料集 mnist（手寫字元識別）

分享一下我老師大神的人工智慧教程！零基礎，通俗易懂！可以看出，mnist.pkl.gz 分為訓練集，校驗集和測試集 training data,valid data,test data load data training data,valid data,test data 均是二元 tuple t...