Keras+Flask手写数字识别Web应用

Keras+Flask手写数字识别Web应用

一个基于Keras深度学习框架和Flask Web框架的手写数字识别Web应用，使用MNIST数据集训练，可以识别用户手写的数字(0-9)。

项目概述

本项目实现了一个Web界面，用户可以在画板上手写数字，系统会实时识别并返回预测结果。后端使用Keras构建的卷积神经网络(CNN)模型，前端使用HTML5 Canvas实现手写板功能。

功能特点

• 使用Keras构建的CNN模型进行手写数字识别
• 基于Flask的Web界面，支持用户手写输入
• HTML5 Canvas实现的手写板功能
• 实时数字识别和结果展示
• 使用Redis进行访问统计
• 响应式设计，适配不同设备

技术栈

• 后端：

  • Flask：Web框架
  • TensorFlow/Keras：深度学习框架
  • Redis：访问统计和数据存储

• 前端：

  • HTML5 Canvas：手写板实现
  • jQuery：前端交互
  • Bootstrap：UI框架

模型架构

该项目使用了一个卷积神经网络(CNN)模型，具有以下结构：

1. 第一组卷积层

   • 32个5x5卷积核，SAME填充，ReLU激活
   • 32个5x5卷积核，SAME填充，ReLU激活
   • 2x2最大池化
   • 25%的Dropout

2. 第二组卷积层

   • 64个3x3卷积核，SAME填充，ReLU激活
   • 64个3x3卷积核，SAME填充，ReLU激活
   • 2x2最大池化，步长为2
   • 25%的Dropout

3. 全连接层

   • Flatten层
   • 256个神经元，ReLU激活
   • 25%的Dropout
   • 10个神经元输出层，Softmax激活

模型在MNIST数据集上训练，准确率超过99%。

安装指南

前置要求

• Python 3.7+
• Redis

安装步骤

1 创建并激活虚拟环境：

python -m venv venv
source venv/bin/activate  # Linux/Mac
venv\Scripts\activate     # Windows

2. 安装依赖：

pip install -r requirements.txt

3. 确保Redis服务器正在运行

4. 启动应用

python app.py

5. 访问应用
   在浏览器中打开 http://localhost:5000

使用方法

1. 在画布上用鼠标或触控笔绘制一个数字(0-9)
2. 点击"识别"按钮提交图像进行识别
3. 系统将显示识别结果和置信度
4. 使用"清除"按钮重置画布

项目结构

keras_mnist-flask/
├── app.py                # Flask应用主文件
├── redis_util.py         # Redis工具函数
├── requirements.txt      # 项目依赖
├── model/
│   ├── model.json        # 模型架构
│   ├── model.keras       # 训练好的模型
│   ├── train.py          # 模型训练脚本
│   └── __init__.py
├── static/
│   ├── index.js          # 前端JavaScript
│   └── jquery-3.2.0.min.js
└── templates/└── index.html        # 前端HTML模板

API接口

识别手写数字

• URL: /api/mnist
• 方法: POST
• 请求体:

  {"image": "base64编码的图像数据"
  }
  

• 响应:

  {"code": 0,"data": {"num": "预测的数字","probability": "置信度"}
  }
  

获取访问统计

• URL: /api/visit
• 方法: GET
• 响应:

  {"code": 0,"data": {"all": "总访问次数","today": "今日访问次数"}
  }
  

自定义配置

Redis配置

在redis_util.py文件中修改Redis连接配置：

REDIS_HOST = "127.0.0.1"  # Redis服务器地址
REDIS_PASSWORD = ""       # Redis密码，为空表示无密码

服务器配置

在app.py文件中修改Flask服务器配置：

if __name__ == '__main__':app.run(host='0.0.0.0', port=5000, debug=True)

训练自己的模型

如果你想重新训练模型，可以运行：

cd model
python train.py

训练完成后，模型将保存在model目录中。

项目地址：https://github.com/yizhishiliu/keras_mnist-flask