#?coding:?utf-8

#?##?導入各種依賴庫
#?因為此目錄下已經有訓練好的模型，可以直接到最后一個代碼塊運行，無需額外訓練，如果與實際應用情況存在偏差，請添加數據集進行再次訓練
#?
#?沒有的模塊進行安裝
#?‘‘‘?bash
#?pip?install?modual
#?‘‘‘

#?In[2]:


import?tensorflow?as?tf
import?gzip
import?os
import?tempfile
import?cv2
import?random
import?numpy?as?np


#?##?生成數據集格式

#?###?train?data

#?In[3]:


#導入數據圖片，以features命名
imgs=os.listdir（‘./datasets/train/imgs/‘）
#?定義一個排序函數
def?nu_str（string）:
????return?int（string.split（‘.‘）[0]）
#?將文件夾中的文件按照名稱數字大小進行排序?能夠與labels一一對應
imgs.sort（key=nu_str）
features_train=[]
#?對每一張圖片進行處理，主要是將矩陣轉化為一個向量，最后將所有圖片打包
for?i?in?imgs:
????img=cv2.imread（‘./datasets/train/imgs/‘+str（i）0）
????#resimg=cv2.threshold（img?200?255?cv2.THRESH_BINARY）
????#img=cv2.copyMakeBorder（img5555cv2.BORDER_CONSTANTvalue=0）
????#cv2.imshow（‘3‘img）
????#cv2.waitKey（100）
????img=img.reshape（28*28）/255
????features_train.append（img）
features_train=np.array（features_train）?#?包含所有圖片的一個向量集


#?In[4]:


##?將每一個圖片對應的結果轉化為one-hot形式儲存
#?讀取文件所有內容
with?open（‘./datasets/train/targets/target.txt‘‘r‘）?as?f:
????tars=f.readlines（）
#?向量不同位置對應的結果
tar_temp=[0123456789‘.‘]
labels_train=[]
#?構造one-hot形式的向量集
for?i?in?tars:
????b=np.array（[i[0]==str（tar_temp[j]）?for?j?in?range（len（tar_temp））]）+0
????labels_train.append（b）??#?一個包含所有結果的向量集（與圖片集一一對應）


#?###?驗證數據集的正確性

#?In[5]:


#?選擇運行
#?查看數據集與結果是否一一對應，主要看看顯示的圖片和打印的數字是否一致

for?i?in?range（len（features_train））:
????cv2.imshow（‘feature‘features_train[i].reshape（2828））
????print（np.argmax（labels_train[i]））
????cv2.waitKey（500）?#?單張圖片的顯示時間ms


#?###?test?data

#?In[6]:


#?生成測試數據集，同訓練集一樣

imgs=os.listdir（‘./datasets/test/imgs/‘）
def?nu_str（string）:
????return?int（string.split（‘.‘）[0]）
imgs.sort（key=nu_str）
features_test=[]
for?i?in?imgs:
????img=cv2.imread（‘./datasets/test/imgs/‘+str（i）0）
????#resimg=cv2.threshold（img?200?255?cv2.THRESH_BINARY）
????#img=cv2.copyMakeBorder（img5555cv2.BORDER_CONSTANTvalue=0）
????#cv2.imshow（‘3‘img）
????#cv2.waitKey（100）
????img=img.reshape（28*28）/255
????features_test.append（img）
features_test=np.array（features_test）


#?In[7]:


with?open（‘./datasets/test/targets/target.txt‘‘r‘）?as?f:
????tars=f.readlines（）
tar_temp=[0123456789‘.‘]
labels_test=[]
for?i?in?tars:
????b=np.array（[i[0]==str（tar_temp[j]）?for?j?in?range（len（tar_temp））]）+0
????labels_test.append（b）


#?In[8]:


#?查看測試訓練集的正確性??可以跳過
for?i?in?range（len（features_test））:
????cv2.imshow（‘feature‘features_test[i].reshape（2828））
????print（np.argmax（labels_test[i]））
????cv2.waitKey（500）


#?##?線性訓練
#?這個訓練結果太差，忽略

#?###?train?
#?忽略?不需要運行

#?In[9]:


sess?=?tf.Session（）
#?設置放置自變量的空間（圖片輸入的）
x=tf.placeholder（“float“[None28*28]）
#?設置權重以及偏置的變量空間
W=tf.Variable（tf.zeros（[28*2811]））
b=tf.Variable（tf.zeros（[11]））
#?計算特定權重偏置下的結果
y=tf.nn.softmax（tf.matmul（xW）+b）
#?設置儲存實際結果的空間
y_=tf.placeholder（“float“[None11]）
#?計算預測與實際的交叉熵
cross_entropy=-tf.reduce_sum（y_*tf.log（y））
#?訓練?通過使得交叉熵向減小的方向
train_step=tf.train.GradientDescentOptimizer（0.01）.minimize（cross_entropy）
#?初始化變量
init?=?tf.initialize_