数字识别
上篇文章提了一下模型，有点意思同学让举个例子写篇，拖了几天，今天晚上抽空补上。
我们都知道，计算机它只会计算，其它的能力都是我们赋予给它的，它只是按照我们的步骤去执行而已。
比如机器学习，关于它的定义有很多，不过也有很多共同点，里面都强调了经验还有数据；
我个人觉得很多先进的方法或者理念都是来源于人的大脑，比如人是如何学习的，这是一个很有意思的问题，尤其是刚出生的小孩，从一无所知，是如何慢慢建立起他的认知，认识生活中各种各样的动物等等。
理论和概念总是比较抽象的，通过实例来会更好理解，不过话又说回来，真正的理解就是能够对各种实例抽象出它们的共同点，这样才能推广到其它。
下面开始正文。
上篇的内容最后一个案例代码，其实来自官方的手写数字识别案例教程，我自己基于里面的内容自己删减了一些。
下面是其链接：
https://scikit-learn.org/stable/auto_examples/classification/plot_digits_classification.html
不过文章中代码可能还是比较难理解，主要里面没有对数据集进行讲解。
这里主要讲一下里面的数据集，sklearn自带了很多数据集，在安装包的data里面，就有手写数字识别数据集。
虽说是数字识别，不过这个数据集里面并没有实际图片。这个数据集只是一个csv文件，
打开文件可以看见一共有1797行，65列，每一行前64个数字表示一张8*8图片的数据，也就是图片的特征值；
最后一个数字叫做标签，就是这个图片的真实值；
大概清楚了里面的数据集后，下面看看其中的一些代码。
这里的数字识别核心的可以分为下面几步：
第一步：创建分类器模型
简单理解，可以看作一个映射函数，传入一个数据，就可以返回一个结果给你。
# 创建分类器
clf = svm.SVC(gamma=0.001)
第二步：准备训练数据集和测试数据
这些数据集前面讲了，都是有正确答案的。
# 分割数据集，训练数据和测试数据各50%
X_train, X_test, y_train, y_test = train_test_split(
data, digits.target, test_size=0.5, shuffle=False
)第三步：训练分类器模型
通过上面的数据训练后，分类器就可以用来进行数字图片识别了，不过识别前都会通过测试数据测试一下，先看看准确率怎么样，确定效果还不错，就可以用来测试没有见过的数字图片了。
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集
print(X_test[:1])
predicted = clf.predict(X_test[:1])第四步：识别未见过的图片
# 预测一张新图片
img = cv2.imread('1.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img = cv2.resize(img,(8,8))
data = img.reshape(64,)
r= clf.predict(data)
print(r)注：第四步如果你随意拿一张图片进来识别，大概率都是识别不出来的，第一个可能你的特征数量与模型特征数量不一致（不过我上面的代码已经进行了处理），第二个这个图片与训练的数据偏差很大。
实际训练的图片。
如果将下面的数据（和训练的数据风格类似）转换成图片，再拿去识别是没问题的。
[0,0,7,15,13,1,0,0,0,8,13,6,15,4,0,0,0,2,1,13,13,0,0,0,0,0,2,15,11,1,0,0,0,0,0,1,12,12,1,0,0,0,0,0,1,10,8,0,0,0,8,4,5,14,9,0,0,0,7,13,13,9,0,0]相信通过上面一个例子，你可能大概知道这个流程了，不过中间的很多细节相信你还是很懵的，通过要给函数，传入数据，就可以训练出一个分类器，它到底是怎样训练的呢？
要想完全理解一个内容，造个简单的轮子是很有效且有必要的，如果你能自己做出一个同样的功能，那你大概率是明白其原理的。
我没有看过那些方法源码，不过一般的像上面的这种监督学习（也就是提供了答案的），其实后面应该就是相似度匹配的过程。
有一车牌，经过过预处理，并裁剪出对应的每个字符。
如何输入其中一张图片的名称，告诉你这个图片的数字是几呢？
实现过程：
1.准备好数据：
这是我很早之前下载的一个手写数字数据，里面有大量的图片，我处理了一下，每个文件夹中放了对应的20张图片。
2.从图片文件夹中将所有数字图片读取出来
这里只是做了数字图片的读取，所以只能识别数字。
3.定义一个单张图片匹配的方法。
4.最后找到最匹配的图片
实际测试：
以上这个方法识别会比较慢，因为会不断通过IO口打开图片，这个是非常影响速度的，可以像自带的案例一样，将所有数据变成数字导入到一个csv文件中，同时打上标签，处理速度应该会更快，这里的匹配代码似乎看不出什么机器学习，如果封装一下，应该会差不多吧。
刨除概念，仅仅使用其实还是很简单的，同样还有神经网络的，不过机制不同，感兴趣可以自己了解。
上面的内容只是个人理解，不保证正确性。