tensorflow+python flask进行手写识别_基于flask+TensorFlow的手写数字识别模型Web应用开发...

龙源期刊网

http://www.qikan.com.cn

基于

flask+TensorFlow

的手写数字识别模

型

Web

应用开发

作者：张磊

李斌

李臻

来源：《新一代》

2019

年第

22

期

摘

要：手写数字识别是研究图像识别、深度学习技术的典型案例，本文中以手写数字识

别

Web

应用程序开发为例，介绍了基于

flask

框架的

TensorFlow+Python Web

开发技术和相关

的编程方法。

关键词：

flask

框架

;Python Web

开发

;

手写数字识别

一、引言

图像识别是深度学习技术最广泛的应用之一，手写数字识别是学习和研究深度学习、图像

识别的典型案例，本文中使用

TensorFlow

(以下简称

TF

)框架训练手写数字识别模型、

Python

语言作为

Web

开发工具，基于

flask

框架实现了一款手写数字识别

Web

应用程序，为

TF

模型在

Web

中部署和开发应用提供参考。

二、模型训练和保存

手写数字识别采用

LeNet-5 CNN

模型。

LeNet-5

由

INPUT

层、

2

个卷积层、

2

个池化层、

3

个全连接层构成。

INPUT

层的输入尺寸为

32×

32

像素手写数字图像，手写数字包含数字

“0

～

9”

，

OUTPUT

层输出

One-Hot

格式的

10

分类结果。

训练模型的

MNIST

数据集中图片尺寸为

28×

28

像素，像素点用

8

位灰度值表示。由于

LeNet-5

模型

INPUT

层的输入尺寸为

32×

32

像素，

MNIST

数据集中原始图像尺寸并不符合模

型输入要求，使用

numpy

库(简称为

np

)中的数组填充函数

np.pad

()將原始图像四周填充

两圈数字

“0”

，得到尺寸

32×

32

像素的新图像。

MNIST

数据集类别标签默认是

One-Hot

格式。

TF

是基于计算图的框架，使用

TF

框架训练

LeNet-5

模型，根据模型结构定义的神经网络

前向传播过程构造出计算图，计算图中描述张量在节点之间从前到后的流动过程。训练模型在

会话进行，调用

tf.Session

()可生成会话，并创建默认计算图。在会话中不断喂入数据，反

复执行反向传播优化算法，确定最优的模型参数。

模型训练完，将模型保存成

TF

检查点。检查点可在

Web

服务器端由程序调用，在

TF

中，

tf.train.Saver

对象的

save

()和

restore

()方法分别用于保存和恢复模型参数。