用keras模型如何實現(xiàn)識別自己手寫的數(shù)字方式

import cv2
import numpy as np
from keras.models import load_model
model = load_model('cnn_model_2.h6')

image = cv2.imread('temp3.png', 0)
img = cv2.imread('temp3.png', 0)

img = (img.reshape(1,1,28,28)).astype("float32")/255
predict = model.predict_classes(img)
print ('識別為：')
print (predict)

cv2.imshow("Image1", image)
cv2.waitKey(0)

from keras.layers import Input,Lambda
from keras import Model
import tensorflow as tf

input=Input(shape=(224,224,3))
input.shape #Input第一個維度為batchsize維度
output=Lambda(lambda x: x[...,1])(input) #取最后一個維度的數(shù)據(jù),...表示前面所有的維度
Model=Model(inputs=input,outputs=output)
Model.output

2.自定義keras層（帶有可訓練權(quán)重）
① build：定義權(quán)重，且self.build=True，可以通過迪奧喲經(jīng)super([layer],self).build()完成
② call:功能邏輯實現(xiàn)
③ compute_output_shape:計算輸出張量的shape

import keras.backend as K
from keras.engine.topology import Layer #這里的Layer是一個父類，下面的MyLayer將會繼承Layer 

class MyLayer(Layer): #自定義一個keras層類
 def __init__(self,output_dim,**kwargs): #初始化方法
  self.output_dim=output_dim
  super(MyLayer,self).__init__(**kwargs) #必須要的初始化自定義層
 def build(self,input_shape): #為Mylayer建立一個可訓練的權(quán)重
  #通過add_weight的形式來為Mylayer創(chuàng)建權(quán)重矩陣
  self.kernel=self.add_weight(name='kernel',
         shape=(input_shape[1],self.output_dim), #這里就是建立一個shape大小的權(quán)重矩陣
         initializer='uniform',
         trainable=True)
  super(MyLayer,self).build(input_shape) #一定要用，也可以用下面一行
  #self.build=True
 def call(self,x): #call函數(shù)里就是定義了對x張量的計算圖，且x只是一個形式，所以不能被事先定義
  return K.dot(x,self.kernel) #矩陣乘法
 def compute_output_shape(self,input_shape):
  return (input_shape[0],self.output_dim) #這里是自己手動計算出來的output_shape
--------------------------------------------------------------------------------
class Mylayer(Layer):
 def __init__(self,output_dim,**kwargs):
  self.output_dim=output_dim
  super(MyLayer,self).__init__(**kwargs)
 def build(self,input_shape):
  assert isinstance(input_shape,list) #判斷input_shape是否是list類型的
  self.kernel=self.add_weight(name='kernel',
         shape=(input_shape[0][1],self.output_dim), #input_shape應(yīng)該長得像[(2,2),(3,3)]
         initializer='uniform',
         trainable=True)
  super(MyLayer,self).build(input_shape)
 def call(self,x):
  assert isinstance(x,list)
  a,b=x #從這里可以看出x應(yīng)該是一個類似[(2,2),(3,3)]的list,a=(2,2),b=(3,3)
  return [K.dot(a,self.kernel)+b,K.mean(b,axis=-1)]