In [33]:

    

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)


    

    




Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz

In [1]:

    

from PIL import Image
import numpy as np

img = Image.open('img/IMG_5638.JPG')
img = img.convert('L').rotate(-90)
img = img.crop((1100, 900, 2000, 1800))
img = img.resize((28, 28), Image.ANTIALIAS)

img_array = np.asarray(img)
grad = img_array[:,0]
bg = np.transpose(np.array([grad for i in range(28)]))
div = img_array/((bg.astype(np.float32)+1)/256)
rescaled = div*(div<255)+255*np.ones(np.shape(div))*(div > 255)
final = rescaled.astype('uint8')
#final = final.point(lambda x: 0 if x < 160 else 255)
final = Image.fromarray(final)
final = final.point(lambda x: 0 if x < 238 else 255)
final


    

    
Out[1]:

In [218]:

    

img = np.asarray(final, dtype=np.float32).flatten()
img = np.reshape(img, (1, 784))
img


    

    
Out[218]:





array([[ 255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,    0.,    0.,    0.,    0.,    0.,
           0.,    0.,    0.,    0.,    0.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,    0.,    0.,    0.,    0.,
         255.,  255.,  255.,  255.,  255.,    0.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,    0.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,    0.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,    0.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
           0.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,    0.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,    0.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,    0.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,    0.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,    0.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,    0.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,    0.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,    0.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
           0.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,    0.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,    0.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,  255.,
         255.]], dtype=float32)

In [34]:

    

# Softmax layer
import tensorflow as tf

x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

y = tf.nn.softmax(tf.matmul(x, W) + b)

cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess = tf.InteractiveSession()

tf.global_variables_initializer().run()

for _ in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
    
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))


    

    




0.9064

In [30]:

    

import tensorflow as tf

x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])

# Define helper functions

def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                         strides=[1, 2, 2, 1], padding='SAME')

W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])

x_image = tf.reshape(x, [-1, 28, 28, 1])

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

W_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])

y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2

cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))

train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

with tf.Session() as sess:
    
#    saver = tf.train.Saver()
#    saver.restore(sess, 'tmp/checkpoint.ckpt')
#
#with tf.Session() as sess:
#    sess.run(tf.global_variables_initializer())
#    saver = tf.train.Saver()
   
#    for i in range(10000):
#        batch = mnist.train.next_batch(50)
#        if i%100 == 0:
#            train_accuracy = accuracy.eval(feed_dict={
#                    x:batch[0], y_:batch[1], keep_prob: 1.0})
#            print("step %d, training accuracy %g" % (i, train_accuracy))
#            
#        train_step.run(feed_dict={x:batch[0], y_:batch[1], keep_prob: 0.5})
#        if i%1000 == 0:
#            saver.save(sess, 'tmp/checkpoint.ckpt')
#    
#    
#    print("test accuracy %g" % accuracy.eval(feed_dict={
#            x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0
#        }))


    

    




<function write_graph at 0x10e8cc6a8>

In [ ]: