MNIST神经网络

大家好，欢迎来到IT知识分享网。

一、前言

  在 Pytorch官网给出了一个类似于 Hello World 的图片识别神经网络程序，使用的数据集合为 FASHION MNIST。下面将这个程序修改为 MNIST的训练集合，用于识别鼠标手写体识别。

二、训练过程

  对于程序的修改，将其中的训练数据由原来的 FASHION MNIST，修改为 EMNIST，使用其中的 MNIST 数据集合。神经网络依然是双隐层全连接BP网络。下面对该网络进行训练。

  现在进行50个周期的训练。最后，识别精度达到了93.7% 。花费了155秒的训练，效果还算不错。

  后面，又经过100轮的训练，最后的精度提高到 96.3%。

  将训练好的模型存储在磁盘中保存。下面选取测试集合中的第一个样本进行测试。可以看到最后一行，给出了预测与实际标号是一致的。至此，说明了模型工作正常了。

三、测试错误字符

  观察一下该模型识别错误的数字，可以看到，在所有203个识别错误的字符中，大部分都属于书写奇怪的数字。如果人工识别，也未见得能够识别正确。所以，由此可以看到，这个神经网络模型的精度还是非常合理的。对比识别正确的数字，这与人工识别基本保持一致。

▲ 图1.3.1 识别正确的数字

▲ 图1.3.2 模型中识别错误的数字

四、测试印刷体

  测试一下，印刷体的10个数字，应用刚才的人工神经网络识别的效果。将它们转换成 28×28 的图像。存储在文件中。

  经过测试可以看到，其中百分之50的数字都识别错误了。

▲ 图1.4.1 识别结果，错误率达到了50%

  将字体改成粗黑体，识别率提高到80%，只有数字 1 和 5 出现了错误，都被识别成8 了。

▲ 图1.4.2 粗黑体字，识别效果

五、测试手写数字

  使用鼠标写出十个数字，查看一下识别结果。正确率只有 60% 。

  将鼠标手写体加粗，识别的正确率提升了。只有 8 和 0 识别错误。

  将其中的8和0，重新书写一下。现在，所有的数字都识别正确了。

※总  结 ※

  本文测试MNIST训练了一个双隐层，全连接的人工神经网络，对于鼠标手写体识别效果不错。字体越粗，效果越好。

参考资料

[1]

下载EMNIST数据库: https://zhuoqing.blog.csdn.net/article/details/

[2]

下载 Pytorch中 TorchVision中的图像数据: https://zhuoqing.blog.csdn.net/article/details/

[3]

在Windows11中安装 Python+CU118: https://blog.csdn.net/zhuoqingjoking97298/article/details/?sharetype=blogdetail&sharerId=&sharerefer=PC&sharesource=zhuoqingjoking97298&spm=1011.2480.3001.8118