手写数字识别之加载和使用模型

1 课程概览

本课讲解手写数字识别案例的最后一步——加载和使用保存的模型。详细讲解如何读取图片、将28×28像素转换为1×784、归一化处理、加载模型、预测数字。同时解决函数名以test开头触发pytest的问题，以及忽略sklearn警告的方法。

2 核心概念与定义

• joblib.load：加载保存的模型文件。
• imread：matplotlib中读取图片的函数。
• imshow：matplotlib中显示图片的函数。
• reshape(1, -1)：将28×28转换为1行784列，-1表示自动计算列数。
• pytest：Python单元测试模块，函数名以test开头会触发该模块。
• warnings.filterwarnings：忽略警告信息。

3 算法与模型详解

3.1 使用模型流程

1. 加载图片（imread）
2. 绘制图片（imshow）
3. 加载模型（joblib.load）
4. 数据转换：
   • 查看形状（28×28）
   • reshape为1×784
   • 归一化（除以255）
5. 模型预测（predict）
6. 打印预测结果

3.2 数据形状转换

reshape(1, -1)说明：

• 1：转换为1行
• -1：自动计算列数（能转多少转多少）
• 效果等同于reshape(1, 784)

3.3 函数命名注意事项

⚠️函数名不能以test开头，否则会触发pytest模块。

3.4 忽略警告

import warnings
warnings.filterwarnings('ignore', module='sklearn.neighbors')

参数说明：

3.5 归一化的重要性

训练时：对数据进行了归一化（除以255） 预测时：必须对数据也进行归一化（除以255）

⚠️训练和预测的数据处理方式必须一致。

4 数学原理与推导

4.1 形状转换

$$\text{Data}{1 \times 784} = \text{reshape}(\text{Image}{28 \times 28})$$

4.2 归一化

$$X_{norm} = \frac{X}{255}$$

5 代码示例

import matplotlib.pyplot as plt
import joblib
import warnings

# 忽略sklearn.neighbors模块的警告
warnings.filterwarnings('ignore', module='sklearn.neighbors')

def use_model():
    # 1. 加载图片
    X = plt.imread('./data/demo.png')
    
    # 2. 绘制图片
    plt.imshow(X, cmap='gray')
    plt.axis('off')  # 关闭坐标轴
    plt.show()
    
    # 3. 加载模型
    estimator = joblib.load('./model/手写数字识别.pkl')
    
    # 4. 数据转换
    # 4.1 查看形状（28×28）
    print("原始形状：", X.shape)  # (28, 28)
    
    # 4.2 reshape为1×784
    X = X.reshape(1, 784)
    # 或 X = X.reshape(1, -1)  # -1表示自动计算列数
    print("转换后形状：", X.shape)  # (1, 784)
    
    # 4.3 归一化（除以255）
    X = X / 255
    
    # 5. 模型预测
    y_predict = estimator.predict(X)
    
    # 6. 打印预测结果
    print("预测值为：", y_predict)

if __name__ == '__main__':
    use_model()

输出示例：

原始形状： (28, 28)
转换后形状： (1, 784)
预测值为： [2]

6 重难点与易错提醒

• ❗重点：函数名不能以test开头，否则会触发pytest模块报错。
• ❗重点：预测前必须将28×28 reshape为1×784。
• ❗重点：预测前必须进行归一化（除以255），与训练时一致。
• ❗重点：reshape(1, -1)等价于reshape(1, 784)，-1表示自动计算。
• ⚠️易错：函数名以test开头导致pytest报错。
• ⚠️易错：忘记归一化，导致预测结果错误。
• ⚠️易错：忘记reshape，形状不匹配导致predict报错。
• 💡深入理解：训练和预测的数据处理方式必须完全一致。

7 课堂问答精选

Q: 为什么函数名不能以test开头？

A: 在Python中，如果函数名以test开头，运行时会触发pytest模块（Python专门的单元测试模块）。pytest会尝试以测试方式运行该函数，导致复杂函数报错。解决方法是将函数名改为use_model或其他不以test开头的名称。

Q: reshape(1, -1)和reshape(1, 784)有什么区别？

A:

• reshape(1, 784)：明确指定转换为1行784列。
• reshape(1, -1)：指定1行，-1表示自动计算列数（能转多少转多少）。 两者效果相同，实际开发中常用reshape(1, -1)，因为不需要知道具体列数。

Q: 为什么预测时也要进行归一化？

A: 因为训练模型时对数据进行了归一化（除以255），预测时必须保持一致的数据处理方式。如果不归一化，像素值范围是0~255，与训练时的0~1不匹配，会导致预测结果错误。

8 本课小结

• 使用模型流程：加载图片→绘制图片→加载模型→reshape转换→归一化→预测。
• 函数名不能以test开头，否则触发pytest报错。
• reshape(1, -1)等价于reshape(1, 784)，-1表示自动计算列数。
• 预测前必须归一化（除以255），与训练时保持一致。
• warnings.filterwarnings('ignore', module='sklearn.neighbors')忽略警告。

9 延伸思考与实践

• 实践：使用自己手写的数字图片进行预测。
• 思考：为什么训练和预测的数据处理方式必须一致？
• 总结：KNN算法的完整流程（数据加载→预处理→训练→保存→加载→预测）。