KO
|
EN
gitlite — search
Search
#python
#java
#python3
#arduino
#golang
#machine-learning
#rust
#html
#flask
#javascript
#seismology
#nodejs
CNN_MINST
★ 16
Open GitHub ↗
CNN MINST 手写数字识别 中科大自动化系2022人工智能导论课程大作业三
Download README (.md)
Explore Similar Repositories
py3dviz-scipy22
:
Tutorial material for the Pythonic 3D visualization at SciPy 2022
remix-deno-example
:
Example showing how to use: https://github.com/jacob-ebey/remix-deno
ecommerce-microservice
:
An e-commerce backend built using microservice architecture
tginternals
:
Telegram Internals
Flow-By-Flow-Prediction
:
The code of flow-by-flow network traffic prediction.
// repository documentation
Was this content helpful?
★ 0
(0 ratings)
Select Rating:
★
★
★
★
★
Submit Feedback
Recent Feedback
×
Download README
Do you want to download the
README.md
file for
CNN_MINST
?
Download (.md)
# CNN_MINST CNN MINST 手写数字识别 中科大自动化系人工智能导论2022大作业三 以下引自作业报告 <div align='center' ><font size='6'>基于MNIST数据集的手写数字识别 </font></div> # 实验环境 ---- python 3.10.2 pyTorch 1.11.0 pillow 9.1.0 opencv 4.55.64 numpy 1.22.3 # 摘要 ---- 使用pyTorch定义了一个两层的卷积神经网络，使用MNIST数据集对其进行训练，使用训练后的模型进行手写数字的识别，同时提供了一个查看MNIST数据集的方法。文件中已经给出了一个训练好的模型即`CNN_for_MNIST.pth`；`__pycache__`文件夹似乎是由Python自动生成的，目的是使程序运行的稍快一些【<https://stackoverflow.com/questions/16869024/what-is-pycache>】 建议不用关心或者嫌麻烦直接删除掉该文件夹 # 代码结构 ---- - `cnn.py`定义一个两层（两个卷积层、池化层和一个全连接层）的卷积神经网络 - `train.py`用于使用cnn定义的网络来训练模型（使用MNIST数据集->[MNIST数据集](http://yann.lecun.com/exdb/mnist/)） - `tt.py`提供了一种查看MNIST数据集的方式，打开运行之后即可查看训练所用的二进制数据相应的的图片，由于pyplot的显示的窗口相关操作我不太理解，故需要关闭当前显示窗口才能查看下一张图片，不关心训练集的话可以不管这个文件 - `main.py`使用训练好的模型进行手写数字的识别 # 代码细节 ---- - `cnn.py`文件定义了一个CNN类，其中的 self.layer1 = nn.Sequential(#卷积 nn.Conv2d(1, 25, kernel_size=3),#输入通道，输出通道，卷积核 nn.BatchNorm2d(25),#参数为输出通道数 nn.ReLU(inplace=True)#线性整流 ) self.layer2 = nn.Sequential(#池化 nn.MaxPool2d(kernel_size=2, stride=2) ) self.layer3 = nn.Sequential(#卷积 nn.Conv2d(25, 50, kernel_size=3), nn.BatchNorm2d(50), nn.ReLU(inplace=True) ) self.layer4 = nn.Sequential(#池化 nn.MaxPool2d(kernel_size=2, stride=2) ) 定义了了一个神经网络的两个卷积层和两个池化层 而代码块 self.fc = nn.Sequential( nn.Linear(50 * 5 * 5, 1024), nn.ReLU(inplace=True), nn.Linear(1024, 128), nn.ReLU(inplace=True), nn.Linear(128, 10) ) 将定义了后续的两次线性化和三次激活 - `train.py`文件相应操作在代码中有注释，这里只描述过程 - 定义数据分批大小即一次训练所用样本数、学习率和数据预处理方法（将图片转换成torch用的tensor格式）；选择模型之后的损失函数和优化器定义也属于此块（torch中已有模型，这里只做调用） - 下载数据（文件中已经下载好了放在data文件夹中） - 选择模型即cnn中已经定义的、使用数据进行训练、每50次训练输出当前错误率 - 训练完成后保存模型（由于本人已经训练过模型，这里在提交的代码中已经被注释） - 在测试集中看模型识别准确率，代码中将predict和label进行了输出，可以直观的看到识别情况 - `main.py`文件，同上这里描述过程 - 首先定义了一些参数：画板大小、画线宽度 - 定义画线函数 - 循环读取画线进行识别，画好后按`space`进行识别，识别完成后按`space`进行清空可继续进行，任何时候按`esc`可退出
