# 如何使用Python Opencv中的ann神经网络识别手写数字功能 > 作者/来源: UCloud 运营管理员 > 发布时间: 2022-10-10T07:16:00.000Z > 分类: AI专区 > 标签: 网络, AI, Python > 原文链接: http://117.50.162.249:3000/yun/articles/2368 --- # 如何使用Python Opencv中的ann神经网络识别手写数字功能 > 来源: https://www.ucloud.cn/yun/127978.html > 作者: 89542767 > 发布日期: 发布于2022-10-10 15:16 写这篇文章的主要目的，是关于Python Opencv的相关知识，包括ann神经网络识别手写数字功能，教给大家怎么去使用这种功能，接下来请大家仔细的进行阅读哦。 　　opencv会给大家提供一种神经网络的功能，即为ann，这种神经的网络功能与Keras的很接近。 　　关于mnist数据怎么去进行解析，读者人员可以自己从网上downland软件，用python自己编写解析代码，由于这里主要研究knn算法，为了图简单，直接使用Keras的mnist手写数字解析模块。 　　本次代码运行环境为： 　　python 3.6.8 　　opencv-python 4.4.0.46 　　opencv-contrib-python 4.4.0.46 　　下面的代码为使用ann进行模型的训练： ``` 　　from keras.datasets import mnist 　　from keras import utils 　　import cv2 　　import numpy as np 　　#opencv中ANN定义神经网络层 　　def create_ANN(): 　　ann=cv2.ml.ANN_MLP_create() 　　#设置神经网络层的结构输入层为784隐藏层为80输出层为10 　　ann.setLayerSizes(np.array([784,64,10])) 　　#设置网络参数为误差反向传播法 　　ann.setTrainMethod(cv2.ml.ANN_MLP_BACKPROP) 　　#设置激活函数为sigmoid 　　ann.setActivationFunction(cv2.ml.ANN_MLP_SIGMOID_SYM) 　　#设置训练迭代条件 　　#结束条件为训练30次或者误差小于0.00001 　　ann.setTermCriteria((cv2.TermCriteria_EPS|cv2.TermCriteria_COUNT,100,0.0001)) 　　return ann 　　#计算测试数据上的识别率 　　def evaluate_acc(ann,test_images,test_labels): 　　#采用的sigmoid激活函数，需要对结果进行置信度处理 　　#对于大于0.99的可以确定为1对于小于0.01的可以确信为0 　　test_ret=ann.predict(test_images) 　　#预测结果是一个元组 　　test_pre=test_ret[1] 　　#可以直接最大值的下标(10000,) 　　test_pre=test_pre.argmax(axis=1) 　　true_sum=(test_pre==test_labels) 　　return true_sum.mean() 　　if __name__=='__main__': 　　#直接使用Keras载入的训练数据(60000,28,28)(60000,) 　　(train_images,train_labels),(test_images,test_labels)=mnist.load_data() 　　#变换数据的形状并归一化 　　train_images=train_images.reshape(train_images.shape[0],-1)#(60000,784) 　　train_images=train_images.astype('float32')/255 　　test_images=test_images.reshape(test_images.shape[0],-1) 　　test_images=test_images.astype('float32')/255 　　#将标签变为one-hot形状(60000,10)float32 　　train_labels=utils.to_categorical(train_labels) 　　#测试数据标签不用变为one-hot(10000,) 　　test_labels=test_labels.astype(np.int) 　　#定义神经网络模型结构 　　ann=create_ANN() 　　#开始训练 　　ann.train(train_images,cv2.ml.ROW_SAMPLE,train_labels) 　　#在测试数据上测试准确率 　　print(evaluate_acc(ann,test_images,test_labels)) 　　#保存模型 　　ann.save('mnist_ann.xml') ``` ``` 　  #加载模型 　　myann=cv2.ml.ANN_MLP_load('mnist_ann.xml') ``` 　　训练100次得到的准确率为0.9376，可以接着增加训练次数或者提高神经网络的层次结构深度来提高准确率。 　　使用ann神经网络的模型结构非常小，因为只是保存了权重参数。 ![01.png](https://ucloud-blog.cn-bj.ufileos.com/articles/127978/images/127978_000.png) 　　可以看到整个模型文件的大小才1M，而svm的大小为十多兆，knn的为几百兆，因此使用ann神经网络更加适合部署在客户端上。 　　接下来使用ann进行图片的测试识别： ``` 　　import cv2 　　import numpy as np 　　if __name__=='__main__': 　　#读取图片 　　img=cv2.imread('shuzi.jpg',0) 　　img_sw=img.copy() 　　#将数据类型由uint8转为float32 　　img=img.astype(np.float32) 　　#图片形状由(28,28)转为(784,) 　　img=img.reshape(-1,) 　　#增加一个维度变为(1,784) 　　img=img.reshape(1,-1) 　　#图片数据归一化 　　img=img/255 　　#载入ann模型 　　ann=cv2.ml.ANN_MLP_load('minist_ann.xml') 　　#进行预测 　　img_pre=ann.predict(img) 　　#因为激活函数sigmoid，因此要进行置信度处理 　　ret=img_pre[1] 　　ret[ret>0.9]=1 　　ret[ret<0.1]=0 　　print(ret) 　　cv2.imshow('test',img_sw) 　　cv2.waitKey(0) ``` 　　运行程序，结果如下，可见该模型正确识别了数字0. ![02.png](https://ucloud-blog.cn-bj.ufileos.com/articles/127978/images/127978_001.png) 　　小编就为大家介绍到这里了，希望可以为大家带来更多的帮助。