机器学习之KNN结合微信机器人实现手写数字识别终极API

• 手写数字识别
• • 功能概述
  • 实现步骤
  • 结果展示
  • 改进之处和TIPS

手写数字识别

功能概述

微信机器人接收到的手写数字图片，传送给已经经过机器学习训练过的knn分类器，进行预测，输出数字结果。

实现步骤

• 将手写数字图片转变为32*32的矩阵
  因为机器学习的训练数据集是DBRHD数据集(训练数据集已上传到我的资料可以自行下载)，图片均归一化为以数字为中心的32*32规格的矩阵：空白区域用0表示，字迹部分用1表示。所以首先就需要将手写数字图片转换成文本形式。
  ps：DBRHD数据集我已上传到我的资源

from PIL import Image import matplotlib.pylab as plt import numpy as npdef picTo01(filename):"""将图片转化为32*32像素的文件，用0 1表示:param filename::return:"""# 打开图片img = Image.open(filename).convert('RGBA')# 得到图片的像素值raw_data = img.load()# 将其降噪并转化为黑白两色for y in range(img.size[1]):for x in range(img.size[0]):if raw_data[x, y][0] < 90:raw_data[x, y] = (0, 0, 0, 255)for y in range(img.size[1]):for x in range(img.size[0]):if raw_data[x, y][1] < 136:raw_data[x, y] = (0, 0, 0, 255)for y in range(img.size[1]):for x in range(img.size[0]):if raw_data[x, y][2] > 0:raw_data[x, y] = (255, 255, 255, 255)# 设置为32*32的大小img = img.resize((32, 32), Image.LANCZOS)# 进行保存，方便查看img.save('test.png')# 得到像素数组，为(32,32,4)array = plt.array(img)# 按照公式将其转为01, 公式： 0.299 * R + 0.587 * G + 0.114 * Bgray_array = np.zeros((32, 32))# 行数for x in range(array.shape[0]):# 列数for y in range(array.shape[1]):# 计算灰度，若为255则白色，数值越小越接近黑色gary = 0.299 * array[x][y][0] + 0.587 * array[x][y][1] + 0.114 * array[x][y][2]# 设置一个阙值，记为0if gary == 255:gray_array[x][y] = 0else:# 否则认为是黑色，记为1gray_array[x][y] = 1# 得到对应名称的txt文件name01 = filename.split('.')[0]name01 = name01 + '.txt'# 保存到文件中np.savetxt(name01, gray_array, fmt='%d', delimiter='')if __name__ == '__main__':picTo01('picture.jpg')

• 手写数字识别代码编写
  KNN的输入是图片矩阵展开的1024维向量；输出是一个数字。
  KNN手写数字识别实体构建
  1.建立工程并导入sklearn包
  2.加载训练数据
  3.构建knn分类器
  4.测试集评价
  5.进行预测
  6.将预测结果写入txt文件

# -*- coding: utf-8 -*- """ Created on Sat Aug 3 16:24:13 2019@author: 53592 """import numpy as np from os import listdir from sklearn import neighbors#将32*32的图片转换为1*1024的向量 def img2vector(filename):retMat = np.zeros([1024],int)fr = open(filename)lines = fr.readlines()for i in range(32):for j in range(32):retMat[32*i+j] = lines[i][j]return retMat#加载训练数据 def readDataSet(path):fileList = listdir(path)numFiles = len(fileList)dataSet = np.zeros([numFiles,1024],int)hwLabels = np.zeros([numFiles])for i in range(numFiles):filePath = fileList[i]digit = int(filePath.split('_')[0])hwLabels[i] = digitdataSet[i] = img2vector(path+'/'+filePath)return dataSet,hwLabelstrain_dataSet,train_hwLabels = readDataSet('trainingDigits') test_dataSet,test_hwLabels = readDataSet('testDigits')knn = neighbors.KNeighborsClassifier(algorithm='kd_tree',n_neighbors=3) knn.fit(train_dataSet,train_hwLabels) res = knn.predict(test_dataSet) num = len(test_dataSet) error_num = np.sum(res != test_hwLabels) correct_num = np.sum(res == test_hwLabels) print("Total num:",num,"Wrong num:",error_num,"WrongRate:",error_num/float(num),'correct_num:',correct_num,'CorrectRate:',correct_num/float(num))

• 微信机器人的实现
  此处又用到了强大的wxpy
  官方说明书：点此进入

from wxpy import *bot = Bot(cache_path=True) client = bot.friends().search('friend')[0] client.send("输入‘功能’，查看微信机器人功能")@bot.register() def response_function(msg): #机器人的功能介绍（待完善。。。）if(msg.text=='功能'):client.send("手写数字识别，请发送一张手写数字图片")@bot.register(client,msg_types=PICTURE) def handdigit_recongnition(msg):client.send("手写数字识别中。。。")msg.get_file(save_path='D:\Python\digit.jpg')'''此时执行图片转换成矩阵的代码还要进行knn.predict()将预测结果写到文件digit.txt中'''with open("D:\\Python\\digit.txt",'r') as f:f.seek(0)b=f.read()f.close()#机器人回复预测结果client.send(b)embed()

结果展示

• 与微信机器人的对话
  

改进之处和TIPS

• 设置邻居数量可以对比预测准确率
• 设置交叉验证可以检测分类器的准确率
• KNN算法只是方法之一，还可以利用神经网络进行识别，添加不同个数的神经元进行训练，最后预测。
• 由于神经网络对于小数据容易过拟合没所以准确率上面KNN大于MLP（多层感知机），MLP对于参数调整比较敏感，若参数不合理容易得到较差的分类结果，所以参数设计对于MLP至关重要。
• 微信机器人还可以进行其他有趣的功能，除了我之前写的微信实现远程控制，我后续还会发一些有趣的实例
• 代码分开了所以有的衔接我没放，给大家想象的空间，自己继续探索吧！

总结

以上是生活随笔为你收集整理的机器学习之KNN结合微信机器人实现手写数字识别终极API的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。