2， 3)test_data = np.swapaxes(test_data。
其中包含了边框的位置信息，适用于 OCR 相关方向。
10，learning_rate=0.001)# Train using classifiermodel = tflearn.DNN(network， Y， print_function， 0.5)network = fully_connected(network， 0，这个数据集每张图片上有好几个数字，]).astype(np.float32)return train_data， 32，原生的数据集1也就是官网的 Format 1 是一些原始的未经处理的彩色图片， 2、数据处理 数据集含有两个变量 X 代表图像。
如下图所示（不含有蓝色的边框）， samples)， max_pool_2dfrom tflearn.layers.estimator import regressionfrom tflearn.data_preprocessing import ImagePreprocessingfrom tflearn.data_augmentation import ImageAugmentation# Data loading and preprocessingimport svhn_data as SVHNX， test_data， validation_set=(X_test， 2)network = conv_2d(network， absolute_importimport tflearnfrom tflearn.data_utils import shuffle，如图所示，另外原始数据 0 的标签是 10。
X_test。
dropout， tensorboard_verbose=0)model.fit(X，show_metric=True，5， activation=relu)network = max_pool_2d(network， height。
Y， 0， batch_size=96，i])plt.axis(off)plt.show()def load_data(one_hot = False):train = sio.loadmat(train_32x32.mat)test = sio.loadmat(test_32x32.mat)train_data=train[X]train_label=train[y]test_data=test[X]test_label=test[y]train_data = np.swapaxes(train_data， 代码语言： javascript 复制 from __future__ import division，test_labelif __name__ == __main__:load_data(one_hot = True)display_data() 3、TFearn 训练 注意 ImagePreprocessing 对数据做了 0 均值化， run_id=svhn_cnn) 训练结果： 代码语言： javascript 复制 Training Step: 11452 | total loss: 0.68217 | time: 7.973s| Adam | epoch: 015 | loss: 0.68217 - acc: 0.9329 -- iter: 72576/73257Training Step: 11453 | total loss: 0.62980 | time: 7.983s| Adam | epoch: 015 | loss: 0.62980 - acc: 0.9354 -- iter: 72672/73257Training Step: 11454 | total loss: 0.58649 | time: 7.994s| Adam | epoch: 015 | loss: 0.58649 - acc: 0.9356 -- iter: 72768/73257Training Step: 11455 | total loss: 0.53254 | time: 8.005s| Adam | epoch: 015 | loss: 0.53254 - acc: 0.9421 -- iter: 72864/73257Training Step: 11456 | total loss: 0.49179 | time: 8.016s| Adam | epoch: 015 | loss: 0.49179 - acc: 0.9416 -- iter: 72960/73257Training Step: 11457 | total loss: 0.45679 | time: 8.027s| Adam | epoch: 015 | loss: 0.45679 - acc: 0.9433 -- iter: 73056/73257Training Step: 11458 | total loss: 0.42026 | time: 8.038s| Adam | epoch: 015 | loss: 0.42026 - acc: 0.9469 -- iter: 73152/73257Training Step: 11459 | total loss: 0.38929 | time: 8.049s| Adam | epoch: 015 | loss: 0.38929 - acc: 0.9491 -- iter: 73248/73257Training Step: 11460 | total loss: 0.35542 | time: 9.928s| Adam | epoch: 015 | loss: 0.35542 - acc: 0.9542 | val_loss: 0.40315 - val_acc: 0.9085 -- iter: 73257/73257 。
代码语言： javascript 复制 #!/usr/bin/env python2# -*- coding: utf-8 -*-Created on Thu Jan 19 09:55:36 2017@author: cheersimport scipy.io as sioimport matplotlib.pyplot as pltimport numpy as npimage_size = 32num_labels = 10def display_data():print loading Matlab data...train = sio.loadmat(train_32x32.mat)data=train[X]label=train[y]for i in range(10):plt.subplot(2， Y)# Real-time data preprocessingimg_prep = ImagePreprocessing()img_prep.add_featurewise_zero_center()img_prep.add_featurewise_stdnorm()# Convolutional network buildingnetwork = input_data(shape=[None，并提供 one_hot 编码，loss=categorical_crossentropy。
channels，直接调用 TFlearn 的 cifar10 例子，32。
64，下载的数据集含有 PNG 的图像和 digitStruct.mat 的文件，这里要转化成 0， Y_test = SVHN.load_data(one_hot = True)X， activation=relu)network = dropout(network，这里采用 Format2，train_label。
channels）， 2)test_data = test_data / 255.train_data =train_data / 255.for i in range(train_label.shape[0]):if train_label[i][0] == 10:train_label[i][0] = 0for i in range(test_label.shape[0]):if test_label[i][0] == 10:test_label[i][0] = 0if one_hot:train_label = (np.arange(num_labels) == train_label[:， 2)test_data = np.swapaxes(test_data， 2。
to_categoricalfrom tflearn.layers.core import input_data， 3)test_data = np.swapaxes(test_data。
tensorflow 的张量需要 （samples。
Y_test)， 3)train_data = np.swapaxes(train_data， activation=relu)network = max_pool_2d(network，网络结构也比较简单， optimizer=adam，3， activation=relu)network = conv_2d(network。
activation=softmax)network = regression(network， 3、TFearn 训练 1、数据集简介 SVHN（Street View House Number）Dateset 来源于谷歌街景门牌号码， 3， height。
1，i+1)plt.title(label[i][0])plt.imshow(data[...， 1， 32，data_preprocessing=img_prep)network = conv_2d(network， 3]， Y = shuffle(X。
32， 训练集 X 的 shape 是 （32，并且数据是 .mat 文件，。
fully_connectedfrom tflearn.layers.conv import conv_2d，73257） 也就是(width，所有像素除于255就 OK，由于直接调用 cifar 10 的网络模型， 3)train_data = np.swapaxes(train_data， 2)network = fully_connected(network。
3， 512， shuffle=True，所以需要转换一下， n_epoch=15， width，数据只需要先做个归一化， 64， 3。
Format2 将这些数字裁剪成32x32的大小，]).astype(np.float32)test_label = (np.arange(num_labels) == test_label[:。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。