• 🔔 博客主頁：https://blog.csdn.net/weixin_41556756
• 📣 歡迎🎉點贊👍收藏🌟評論📝如有錯誤請指正!
• 💻 前端&Python領域博主
• 😁 你們的支持是我最大的動力

---

📢前言

在這篇文章中，我將向你展示如何從頭開始創建一個圖像識別AI應用。 具體來說，我們要創建一個人工智能應用程序，以識別你自己畫的手寫數字。

首先，讓我們看一個樣本。 它被稱為 “數字識別器”。 你可以在左邊的盒子里畫出你喜歡的0到9的數字，預測結果會出現在右邊。 如果你的字跡像我一樣凌亂，它可能無法正確識別數字，但如果你仔細畫，它就會像這樣識別（笑）。

這一次，我們將制作一個網絡應用程序，可以像這樣識別你所畫的數字。 此外，這篇文章的標題是 “從頭開始創建”。 換句話說，我們將使用TensorFlow創建一個AI模型，而不是使用API。 然而，我們將使用的模型是一個簡單的神經網絡。

你們中的一些人可能會想 "哦，我壓根就不知道怎么做… "或 “建立一個環境似乎很難…”， 但不要擔心，我們將使用谷歌Colab，所以任何人都可以通過復制和粘貼來創建它。

你可能有這樣的誤解，認為深度學習和機器學習需要大量的理論和數學知識，但重要的是先做出能用的東西。 如果這個視頻讓你覺得人工智能很有趣，那么你可以開始詳細研究理論和數學。

順便說一下，我想說的是。

• 學習如何創建像這樣的AI應用的課程
• 我想知道你想了解哪個課程。

請在評論中告訴我們你想看哪一個! 或者你可以同時進行!

現在我們已經有點偏離主題了，讓我們來談談細節問題。

文章目錄

• 📢前言
• 🤚初學者好！如何從頭開始創建一個圖像識別的AI應用[復制和粘貼，你就完成了]。
• 📪第①步：導入庫
• 📫第②步：用TensorFlow創建一個AI模型
• 📬第③步：用Gradio創建一個圖像識別應用程序
• 📭結尾&福利

🤚初學者好！如何從頭開始創建一個圖像識別的AI應用[復制和粘貼，你就完成了]。

以下是你需要采取的三個步驟，以便開始工作。

• 「第①步：導入庫」
• 「第②步：用TensorFlow創建一個AI模型」
• 「第③步：用Gradio創建一個圖像識別應用程序」

第一步是導入我們將使用的庫，然后我們將使用TensorFlow創建一個AI模型。 然后我們將使用TensorFlow創建一個人工智能模型，最后我們將使用Gradio把它變成一個網絡應用。 對于其他框架，如Streamlit，你需要做更多的工作來把它變成谷歌Colab應用，但對于Gradio，你可以像現在這樣在單元格中運行代碼。

使用Gradio，你只需要在單元格中運行代碼。 因此，讓我們從第一步開始。

📪第①步：導入庫

我們將使用的Gradio在默認情況下不包括在內。 所以你需要先安裝它。 當你安裝它時，你需要添加-q來隱藏額外的日志。

$ pip install gradio -q

等待一會兒，直到執行完畢。

--------------------------------------??--------------------------------------

一旦Gradio安裝完成，我們就可以導入庫了。 我們將使用TensorFlow和Gradio，所以我們將import tensorflow as tf，然后我們將import gradio as gr。

TensorFlow的最新版本是2系列。 讓我們檢查一下TensorFlow的版本，tf.__version__。 在使用Google Colab時，默認的版本是2.5.0，但在這種情況下，我想讓它明確是2.5.0，所以我也會寫%tensorflow_version 2.x。

%tensorflow_version 2.x import tensorflow as tf import gradio as gr

我還想補充一點。

一旦你完成了這些，按Shift + Enter。 我們還想刪除多余的日志，所以我們將使用

tf.get_logger().setLevel('ERROR')

📫第②步：用TensorFlow創建一個AI模型

一旦庫的安裝完成，我們將使用TensorFlow創建一個AI模型。 然而，由于本文的目的是創建一個圖像識別應用程序，我們將不使用復雜的模型。 讓我們保持像煮煎蛋一樣簡單的模式。

為了解釋我們將使用什么樣的模型，我們將使用一個只有一個中間層的3層神經網絡。

神經網絡是 “一種模仿人腦結構的機器學習算法”。 圖像是這樣的。

在神經網絡中，每個圓圈…或者更準確地說，在圓圈之間，都有自己的參數，這些參數可以被優化以正確判斷圖像。 由于本文的目的是體驗神經網絡的概況，我們將暫時不對神經網絡進行解釋。

在該圖所示的神經網絡模型中，圓圈的數量被設定為

• 「輸入層：784個核心」
• 「中間層：128」
• 「輸出層：10」

如果你想做一些修改，你可以通過簡單地調整下面描述的一些實現方式來實現。 由于我們不打算做任何重大改變，讓我們幾乎逐字逐句地復制和粘貼TensorFlow教程的內容。 由于我們已經安裝了這個庫，讓我們開始加載數據。

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() x_train, X_test = x_train / 255.0, x_test / 255.0 import matplotlib.pyplot as plt fig, ax = plt.subplots(nrows=2, ncols=5, figsize=(10, 10), tight_layout=True)n = 0 for i in range(2):for j in range(5):ax[i][j].imshow(X_train[n], cmap=plt.cm.binary)n += 1

下一步是創建模型。 為了方便起見，我們就把寫著輟學的那部分去掉吧。

model = tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape=(28, 28)),tf.keras.layers.Dense(128,activation='relu'),tf.keras.layers.Dense(10, activation='softmax') ])model.summary()

現在我們需要訓練這個模型，我們可以通過設置model.compile()來實現。

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

最后，我們來訓練模型。

model.fit(x_train, y_train, epochs=10)

現在模型已經被訓練好了，讓我們來檢查一下它的準確性。

_, test_acc = model.evaluate(x_test, y_test, verbose=2) print(test_acc)

「這大約是使用測試數據的97%。」

📬第③步：用Gradio創建一個圖像識別應用程序

現在我們將使用我們創建的模型和Gradio把它變成一個圖像識別應用程序。

def recognize_digit(img):img = img.reshape(1, 28, 28)prediction = model.predict(img).tolist()[0]return {str(i): prediction[i] for i in range(10)}label = gr.outputs.Label(num_top_classes=4) interface = gr.Interface(fn=recognize_digit, inputs='sketchpad', outputs=label, live=True,title='Digit Recognizer' )

我認為問題的關鍵在于gr.Interface()中使用的fn=classify_digit。

作為參數傳遞的函數classify_digit()預測你所畫的數字的圖像對應于哪個標簽。

當你使用Gradio時，不僅用于圖像識別，你可以用參數fn傳遞一個用于預測的函數。

一旦你寫到這一步，你就可以在最后推出。

interface.launch(share=True)

然后你應該看到模型根據你所畫的數字預測的標簽!

現在你已經從頭開始創建了一個圖像識別AI應用^^。

📭結尾&福利

》》》》》》🎁Python學習路線匯總《《《《《《

》》》》》》🎁Python必備開發工具《《《《《《

》》》》》》🎁精品Python學習書籍《《《《《《

》》》》》》🎁Python學習視頻合集《《《《《《

》》》》》》🎁一百道Python練習題《《《《《《

總結

以上是生活随笔為你收集整理的初学者好 |如何从头开始创建一个图像识别的AI应用[ctrl:c+v，你就完成了]的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。