Spaces:

starcode-tech
/

mnist-image-classification

Sleeping

Sebastian Willenberg

Update app.py

c010e3f about 2 years ago

1.57 kB

import numpy as np
import gradio as gr
from PIL import Image
from tensorflow import keras

model = keras.models.Sequential([
  keras.layers.Flatten(input_shape=(28, 28)),      # Diese Schicht nimmt unser 2D-Bild und verwandelt es in ein 1D-Array
  keras.layers.Dense(512, activation='relu'),       # Als Nächstes kommen zwei Schichten mit 512 künstlichen Neuronen. Als Funktion wählen wir 'relu' f(x) = max(0,x)
  keras.layers.Dense(512, activation='relu'),     
  keras.layers.Dense(10,  activation='softmax')    # Die letzte Schicht besteht aus 10 Neuronen, die für unsere 10 Zahlen stehen. Die 'softmax' Funktion wandelt die Ergebnisse der vorherigen Schicht in Wahrscheinlichkeiten
])

model.compile(optimizer=keras.optimizers.Adam(0.001),
              loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=[keras.metrics.SparseCategoricalAccuracy()])

model.load_weights('./weights/mnist.weights.h5')

def classify(input):
    image = np.expand_dims(np.array(Image.fromarray(input['layers'][0]).resize((28,28), resample=Image.Resampling.BILINEAR), dtype=int), axis=0)
    prediction = model.predict(image).tolist()[0]
    return {str(i): float(prediction[i]) for i in range(10)}

input_sketchpad = gr.Paint(image_mode="L", brush=gr.components.image_editor.Brush(default_color="rgb(156, 104, 200)"))
output_lable = gr.Label()

gr.Interface(fn=classify,               
             inputs=input_sketchpad,   
             outputs=output_lable,
             flagging_mode='never', 
             theme=gr.themes.Soft()).launch()

	import numpy as np
	import gradio as gr
	from PIL import Image
	from tensorflow import keras

	model = keras.models.Sequential([
	keras.layers.Flatten(input_shape=(28, 28)), # Diese Schicht nimmt unser 2D-Bild und verwandelt es in ein 1D-Array
	keras.layers.Dense(512, activation='relu'), # Als Nächstes kommen zwei Schichten mit 512 künstlichen Neuronen. Als Funktion wählen wir 'relu' f(x) = max(0,x)
	keras.layers.Dense(512, activation='relu'),
	keras.layers.Dense(10, activation='softmax') # Die letzte Schicht besteht aus 10 Neuronen, die für unsere 10 Zahlen stehen. Die 'softmax' Funktion wandelt die Ergebnisse der vorherigen Schicht in Wahrscheinlichkeiten
	])

	model.compile(optimizer=keras.optimizers.Adam(0.001),
	loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
	metrics=[keras.metrics.SparseCategoricalAccuracy()])

	model.load_weights('./weights/mnist.weights.h5')

	def classify(input):
	image = np.expand_dims(np.array(Image.fromarray(input['layers'][0]).resize((28,28), resample=Image.Resampling.BILINEAR), dtype=int), axis=0)
	prediction = model.predict(image).tolist()[0]
	return {str(i): float(prediction[i]) for i in range(10)}

	input_sketchpad = gr.Paint(image_mode="L", brush=gr.components.image_editor.Brush(default_color="rgb(156, 104, 200)"))
	output_lable = gr.Label()

	gr.Interface(fn=classify,
	inputs=input_sketchpad,
	outputs=output_lable,
	flagging_mode='never',
	theme=gr.themes.Soft()).launch()