[機器學習]CNN學習MNIST 手寫英文字母資料，用網頁展現成果_模型訓練篇
streamlit與github連動程式庫，呈現即時預測手寫英文字母
前言
此篇主要談論如何用CNN學習MNIST訓練出模型
若要看如何Streamlit程式範例 解說如下方連結
[機器學習]CNN學習MNIST 手寫英文字母資料，用網頁展現成果_Streamlit Web應用程式篇
整理了一下，先前學的機器學習利用Colab來訓練出能辨識手寫A~Z英文字母的模型，使用的模型是CNN(Convolutional Neural Network，CNN）模型
訓練好的模型，當然是要拿來應用，成果呈現的方式由streamlit網頁呈現手寫英文字母按辨識，即可跑出辨識結果。
結果圖
程式碼Github連結
如何連動github與stramlit可以參考一下這個文章解釋的蠻清楚的，我就不要班門弄斧了
Github上檔案說明
streamlit 設定中會指定main file path，就是要連動github開啟哪一個檔案
訓練模型的程式碼說明
載入資料
!pip install emnist下載emnist手寫資料，詳細說明如下網址
https://pypi.org/project/emnist/
# pip install emnist
# Import Dataset(s)
from emnist import list_datasets
list_datasets()
會顯示出emnist有哪些類別的資料庫可以做使用
balanced: 這個資料集是 EMNIST 的均衡版本，意味著每個字母類別的樣本數量相對平均。byclass: 按字母類別組織的資料集。每個字母類別都有自己的資料子集。bymerge: 將一些形狀相似的字母合併到一個類別。這是為了處理某些字母形狀相似度較高的情況。digits: 只包含數字的資料集，沒有字母。letters: 包含所有字母的資料集，但沒有數字。mnist: 是 MNIST 資料集的一個子集，只包含手寫數字。
#導入使用EMNIST Letters(包含A~Z)26類別的資料
from emnist import extract_training_samples
x_train, y_train = extract_training_samples('letters')
from emnist import extract_test_samples
x_test, y_test = extract_test_samples('letters')
載入EMNIST Letters(包含A~Z)26類別的資料 在拆分成測試與驗證集
import numpy as np
class_names = [chr(ord('A')+i) for i in range(26)]
''.join(class_names)
np.array(class_names)[y_train[0:26]]
將模型訓練數據集中前 26 個樣本的類別標籤轉換為對應的字母
chr(ord('A')+i)會將 ASCII 碼中的 'A' 起始值加上索引 i，得到相應的字母。for i in range(26)用於迭代 i 從 0 到 25，以包含 A 到 Z 的所有字母。class_names這個列表最終包含了所有英文字母。''.join(class_names)將列表中的字母用空字符串連接在一起，形成一個完整的字串，即 A 到 Z 的英文字母序列。np.array(class_names)將class_names轉換為 NumPy 陣列。y_train[0:26]取得y_train陣列的前 26 個元素。np.array(class_names)[y_train[0:26]]根據這些標籤從class_names中取得相應的字母。
# 顯示第1張圖片圖像
import matplotlib.pyplot as plt
# 第一筆資料
X2 = x_train[47,:,:]
# 繪製點陣圖，cmap='gray':灰階
plt.imshow(X2.reshape(28,28), cmap='gray')
# 隱藏刻度
plt.axis('off')
# 顯示圖形
plt.show()
進行特徵工程
# 特徵縮放，使用常態化(Normalization)，公式 = (x - min) / (max - min)
# 顏色範圍：0~255，所以，公式簡化為 x / 255
# 注意，顏色0為白色，與RGB顏色不同，(0,0,0) 為黑色。
x_train_norm, x_test_norm = x_train / 255.0, x_test / 255.0
x_train_norm[0]
這段程式碼進行了特徵縮放，使用的方法是歸一化（Normalization）。歸一化的目的是將特徵的值縮放到一個標準範圍，這裡是將顏色值（0~255）縮放到 0 到 1 之間。
建立模型結構
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
# 建立模型
model = Sequential([
Conv2D(filters=32, kernel_size=3, activation='relu', input_shape=(28, 28, 1)),
MaxPooling2D(pool_size=2),
Conv2D(filters=64, kernel_size=3, activation='relu'),
MaxPooling2D(pool_size=2),
Flatten(),
Dense(units=64, activation='relu'),
Dropout(0.5),
Dense(units=26, activation='softmax')
])
# 設定優化器(optimizer)、損失函數(loss)、效能衡量指標(metrics)的類別
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
Conv2D 層: 這是卷積層，用於從圖像中學習特徵。filters=32 表示使用 32 個卷積核，kernel_size=3 表示卷積核的大小是 3x3，activation='relu' 使用 ReLU 激活函數。
MaxPooling2D 層: 這是池化層，用於減小圖像的空間尺寸。pool_size=2 表示使用 2x2 的最大池化。
Flatten 層: 將卷積層和池化層的輸出攤平成一維數組，以便與全連接層相連接。
Dense 層 (全連接層): units=64 表示該層有 64 個神經元，activation='relu' 使用 ReLU 激活函數。
Dropout 層: 這是為了防止過擬合，丟棄 50% 的神經元。
Dense 層 (輸出層): units=26 表示輸出層有 26 個神經元activation='softmax' 使用 softmax 激活函數，這對應於多類別分類問題，每個神經元代表一個字母。
最使用 model.compile 配置模型的優化器（optimizer）、損失函數（loss）和效能衡量指標（metrics）。這裡使用了 Adam 優化器，稀疏分類交叉熵作為損失函數，衡量指標是準確度（accuracy）。模型已經建立完成，可以進行訓練了
history = model.fit(x_train_norm, y_train, epochs=100, batch_size=1000, validation_split=0.2)
x_train_norm是經過歸一化的訓練資料，y_train是相對應的訓練標籤。epochs=100指定了訓練的輪數，即模型將對整個訓練數據集進行 100 輪訓練。batch_size=1000定義了每次訓練更新的樣本數，即每次更新模型權重時，使用的樣本數量。validation_split=0.2表示將訓練數據的 20% 用於驗證，這有助於監控模型的性能。
評分
# 評分(Score Model)
score=model.evaluate(x_test_norm, y_test, verbose=0)
for i, x in enumerate(score):
print(f'{model.metrics_names[i]}: {score[i]:.4f}')
model.evaluate 方法返回模型的損失值和指定的評估指標值
預測
# 顯示第 9 筆的機率
import numpy as np
predictions = model.predict(x_test_norm[8:9])
print(f'0~9預測機率: {np.around(predictions, 2)}')
這段程式碼用於顯示模型對第9筆測試數據的預測機率。model.predict 方法用於獲得模型對輸入數據的預測結果，這裡你取第9筆數據
模型儲存
# 模型存檔
model.save('model.h5')
希望對大家有所幫助，動動小手按下愛心的圖案給點鼓勵
[機器學習]CNN學習MNIST 手寫英文字母資料，用網頁展現成果_Streamlit Web應用程式篇
