人工智能实验： 神经网络实现手写数字识别tensorflow/Pytorch（附完整项目代码和实验报告）_基于transflow手写体数字识别实验报告

识别结果：

数据集：

由Yann提供的手写数字数据集构成，包含了0~9共10类手写数字图片。每张图片都做了尺寸归一化，为28*28大小的灰度图。每张图片中像素值大小为0-255之间。

MNIST数据集是机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片。

 

下面简单介绍下各个网络：

LeNet神经网络

网络主要由两部分组成：卷积编码器：由两个卷积层组成；全连接层密集块：由三个全连接层组成

AlexNet深度卷积神经网络

 AlexNet是Alex和Hinton参加2012年imagenet比赛时提出的卷积网络框架，夺得了当年ImageNet LSVRC的冠军，且准确率远超第二名，带来了深度学习的又一次高潮。

ResNet深度卷积神经网络

残差神经网络(ResNet)是由微软研究院的何恺明、张祥雨、任少卿、孙剑等人提出的。ResNet 在2015 年的ILSVRC（ImageNet Large Scale Visual Recognition Challenge）中取得了冠军。残差神经网络的主要贡献是发现了“退化现象（Degradation）”，并针对退化现象发明了 “快捷连接（Shortcut connection）”，极大的消除了深度过大的神经网络训练困难问题。神经网络的“深度”首次突破了100层、最大的神经网络甚至超过了1000层。

分别实现了Pytorch版和Tensorflow版，其中Pytorch版中使用的是ResNet18作为主干网络

Pytorch版项目 torch==1.14.0（预训练权重有50MB）

Tensorflow版 使用的模型比较轻量化

 

实验报告部分截图：

 

 

 

目前准985计算机硕士 以上的所有项目代码+报告 可以私信我 20r 提供指导

邮箱：yangsober@163.com 大家可以一起交流~

附上一些实现的代码：

以下代码是模型的结构和训练代码，安装好对应的tensorflow版本后，就可以进行训练

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
from keras.datasets import mnist
import matplotlib.pyplot as plt
from keras import models
from keras import layers
import numpy as np
from keras.utils.np_utils import to_categorical
 
# 定义模型
def model_conv():
    model = models.Sequential()
    model.add(layers.Conv2D(32, (3, 3), activation='relu',input_shape=(28, 28, 1)))
    model.add(layers.MaxPooling2D((2, 2)))
    model.add(layers.Conv2D(64, (3, 3), activation='relu'))
    model.add(layers.MaxPooling2D((2, 2)))
    model.add(layers.Conv2D(64, (3, 3), activation='relu'))
    model.add(layers.Flatten())
    model.add(layers.Dense(64, activation='relu'))
    model.add(layers.Dense(10, activation='softmax'))
    model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['acc'])
    return model
 
# 导入MNIST数据集
(train_data, train_labels), (test_data, test_labels) = mnist.load_data()
print('train_shape {} {}'.format(train_data.shape,train_labels.shape))
print('test_shape {} {}'.format(test_data.shape,test_labels.shape))
plt.imshow(train_data[0])
plt.title('number {}'.format(train_labels[0]))
plt.show()
 
# 数据预处理
x_train = train_data.reshape((60000, 28, 28, 1))
x_train = x_train.astype('float32')/255
x_test = test_data.reshape((10000, 28, 28, 1))
x_test = x_test.astype('float32')/255
y_train = to_categorical(train_labels)
y_test = to_categorical(test_labels)
print(x_train.shape, y_train.shape)
 
# 定义模型
model = model_conv()
print(model.summary())
 
# 开始训练
his = model.fit(x_train, y_train, epochs=5, batch_size=64, validation_split=0.1)
 
# 计算准确度
loss, acc = model.evaluate(x_test, y_test)
print('loss {}, acc {}'.format(loss, acc))
 
# 保存模型
model.save("my_mnist_model.h5")