上期回顾：RT-Thread智能车目标识别系统连载教程——手写体识别模型（1）

2.1 MNIST 手写体训练集

首先介绍训练集，因为我们需要先了解训练集的结构。MNIST手写体识别数据库的官方网站是http://yann.lecun.com/exdb/mnist/，其风格略显过时。

这个图展示了全球各地不同方法对手写体识别的准确率汇总。可以看出，使用Logistic回归（线性分类器）的效果最差，因此我们后续将采用卷积神经网络（CNN）进行识别。值得注意的是，当我们使用TensorFlow时，无需自行解析数据集。

2.2 开发环境搭建

接下来介绍机器学习的开发环境。目前主流的开发环境是Python，但并不是直接用Python编写代码。数据科学家常用的开发环境是Anaconda，它集成了Python和R开发环境。

从Anaconda官网（https://www.anaconda.com/distribution/）下载安装包，根据操作系统选择合适的版本。安装过程主要是下一步、下一步，因此不再赘述。

安装完成后，打开Anaconda Prompt。虽然Anaconda也有图形界面Anaconda Navigator，但我们主要使用控制台，因为它更为便捷。

在控制台输入以下命令：

```bash

如果使用CPU

conda create -n tensorflow-cpu tensorflow

如果使用GPU（NVIDIA显卡会自动安装驱动、CUDA、cudnn，十分方便）

conda create -n tensorflow-gpu tensorflow-gpu ```

完成环境搭建后，激活相应的环境：

```bash

如果使用CPU

conda activate tensorflow-cpu

如果使用GPU

conda activate tensorflow-gpu ```

这使得我们可以根据需要在CPU和GPU环境中切换。接着，启动代码编辑器：

```bash

确保所有必要的包都已经安装

pip install numpy scipy sklearn pandas pillow matplotlib keras onnx jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple

启动Jupyter Notebook

jupyter notebook ```

这样就会自动打开浏览器，进入开发环境，创建一个新的notebook。

2.3 Keras 训练模型

2.3.1 导入库函数

首先导入所需的库函数：

```python

coding:utf-8

from tensorflow.examples.tutorials.mnist import input_data

import numpy as np np.set_printoptions(suppress=True)

import matplotlib.pyplot as plt %matplotlib inline ```

这些代码导入后，就可以开始操作数据集了。

2.3.2 下载MNIST训练集

在代码块输入以下命令：

python mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

这样会自动下载数据集。如果在国内下载速度较慢，可以从其他地址下载MNIST数据集，然后解压到启动Jupyter Notebook的位置，例如C:/Users/用户名/。

2.3.3 查看MNIST数据

我们将数据集分为训练集和测试集，训练集用于训练模型，测试集用于检测模型的准确性：

```python Xtrain = mnist.train.images ytrain = mnist.train.labels Xtest = mnist.test.images ytest = mnist.test.labels

输入图像大小为28x28

Xtrain = Xtrain.reshape([-1, 28, 28, 1]) Xtest = Xtest.reshape([-1, 28, 28, 1]) ```

查看训练集中的第一张图片：

python plt.imshow(X_train[0].reshape((28, 28)), cmap='gray')

查看第二张图片：

python plt.imshow(X_train[1].reshape((28, 28)), cmap='gray')

现在可以开始构建模型了。

2.3.4 构建模型

首先导入Keras库：

python from keras.models import Sequential from keras.layers import Dense from keras.layers import Conv2D from keras.layers import MaxPooling2D from keras.layers import Dropout from keras.layers import Flatten

接下来构建模型：

```python def build_classifier(): classifier = Sequential()

# 第一层 Conv2D，激活函数Relu
classifier.add(Conv2D(filters=2, kernel_size=3, strides=1, padding="SAME", activation="relu", input_shape=(28, 28, 1)))

# 第二层 MaxPooling
classifier.add(MaxPooling2D(pool_size=(2, 2), padding='SAME'))

# 第三层 Dropout
classifier.add(Dropout(0.5))

# 第四层 Conv2D
classifier.add(Conv2D(filters=2, kernel_size=3, strides=1, padding="SAME", activation="relu"))

# 第五层 MaxPooling
classifier.add(MaxPooling2D(pool_size=(2, 2), padding='SAME'))

# 第六层 Dropout
classifier.add(Dropout(0.5))

# 第七层 Flatten
classifier.add(Flatten())

# 第八层 Dense
classifier.add(Dense(kernel_initializer="uniform", units=4))

# 第九层 Softmax
classifier.add(Dense(kernel_initializer="uniform", units=10, activation="softmax"))

# 使用Adam优化器
classifier.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

return classifier

```

查看模型结构：

python classifier = build_classifier() classifier.summary()

可以看到模型结构与之前的描述一致。

2.3.5 训练模型

接下来开始训练模型：

```python from keras.callbacks import ModelCheckpoint checkpointer = ModelCheckpoint(filepath='minions.hdf5', verbose=1, savebestonly=True, monitor='val_loss', mode='min')

history = classifier.fit(Xtrain, ytrain, epochs=50, batchsize=50, validationdata=(Xtest, ytest), callbacks=[checkpointer]) ```

训练过程可以通过以下函数展示：

```python def plothistory(history): SMALLSIZE = 20 MEDIUMSIZE = 22 BIGGERSIZE = 24

plt.rc('font', size=SMALL_SIZE)
plt.rc('axes', titlesize=SMALL_SIZE)
plt.rc('axes', labelsize=MEDIUM_SIZE)
plt.rc('xtick', labelsize=SMALL_SIZE)
plt.rc('ytick', labelsize=SMALL_SIZE)
plt.rc('legend', fontsize=SMALL_SIZE)
plt.rc('figure', titlesize=BIGGER_SIZE)

fig = plt.figure()
fig.set_size_inches(15, 10)
plt.plot(history['loss'])
plt.plot(history['val_loss'])
plt.title('Model Loss')
plt.xlabel('epoch')
plt.ylabel('loss')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

```

用图片显示训练过程：

python plot_history(history.history)

可以看到，训练过程中损失值逐渐下降，模型在测试集上的表现甚至优于训练集。尽管模型精度只有60%多一点，但可以尝试优化以提高性能。

2.4 保存模型为ONNX

可以将模型保存为Keras原生格式：

python classifier.save("mnist.h5")

为了在STM32下使用，可以将模型转换为ONNX格式：

```python import onnx import keras2onnx

onnxmodel = keras2onnx.convertkeras(classifier, 'mnist') onnx.savemodel(onnxmodel, 'mnist.onnx') ```

这样就在默认目录下（例如C:/Users/用户名）生成了mnist.h5和mnist.onnx两个文件，即训练好的模型。

2.5 参考文献

• MNIST训练集：http://yann.lecun.com/exdb/mnist/
• Anaconda GPU环境：https://www.anaconda.com/tensorflow-in-anaconda/

RT-Thread线上活动

【RT-Thread技能认证考试12月——RCEA】

RT-Thread技能认证考试已经获得了社区开发者和产业界的广泛支持。如果您希望提升自己的技能、寻找更好的机会或深化对RT-Thread的理解，欢迎咨询或报名。

技能认证官网链接：https://www.rt-thread.org/page/rac.html（请在外部浏览器打开）

#题外话

如果您喜欢RT-Thread，请别忘了在GitHub上给我们一个星标，您的支持对我们非常重要！链接地址：https://github.com/RT-Thread/rt-thread

您可以添加微信18917005679为好友，注明“公司+姓名”，拉进RT-Thread官方微信群。

RT-Thread致力于简化物联网终端开发，最大化芯片价值。采用Apache 2.0协议，可以在商业产品中免费使用，无需公开源码，没有潜在商业风险。