基于Python的BP网络实现手写数字识别

资源下载地址：https://download.csdn.net/download/sheziqiong/86790047
资源下载地址：https://download.csdn.net/download/sheziqiong/86790047
目录
基于Python的BP网络实现手写数字识别 1
一、实验目的 1
二、实验过程与结果 1

获取MNIST数据 1
构建BP神经网络 2
训练构建的BP神经网络 3
测试BP网络 4
三、结果分析与实验结论 6
四、收获、体会及建议 6
由测试结果可以发现，模型基本上可以准确识别大部分的手写数字，只有个别的数字由于特征不是非常明显甚至兼有其他数字的特征，因此被错误识别。总的来说，模型的训练效果还是不错的。
三、结果分析与实验结论
通过实验可以发现，使用BP网络进行训练识别手写数字在一开始基本是随机识别，但是在对整个数据集进行多次训练之后，在训练集和测试集上的准确率都能达到较高的水准并且可以看到，在前几次迭代训练的结果中，损失函数下降的非常快，准确率也快速上升。
此外，两种模型测试集上的损失函数总体上一直在下降，没有出现上升而准确率总体上一直在上升没有出现下降。因此模型并没有出现过拟合的现象，还可以继续迭代进行训练。
对比两种模型可以看到，基于CNN的BP网络的准确率均高于全连接层的BP神经网络，有较好的训练效果。但是CNN训练的时间相较于全连接层较长，在数据较多时可能略显吃力。
四、收获、体会及建议
通过手写数字识别的实验，我对BP神经网络的原理和结果有了更加深刻的了解和认识；学习了如何使用深度学习框架加载数据集并进行处理和训练；对搭建神经网络的方法和神经网络相关的保存、评估等方法也有所认识。此外，还对比了两种不同的BP神经网络，本文转载自http://www.biyezuopin.vip/onews.asp?id=15396，总的收获还是非常大的。

from read_and_plot_func import *
import torch
import torch.nn as nn
import torchvision
import torch.utils.data.dataloader as dataloader
import numpy as npdevice = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)def data_tf(image):"""数据归一化并将维度展开：[28,28]->[1，784]:param image::return:"""img = np.array(image, dtype='float32') / 255# img = (img - 0.5) / 0.5img = img.reshape((-1,))img = torch.from_numpy(img)return imgdef data_reader(path, train_size, test_size):"""加载MNIST数据集，分训练集和测试集返回标签、数据:param path::return:"""train_set = torchvision.datasets.MNIST(root=path, train=True,transform=data_tf, download=True)train_loader = dataloader.DataLoader(dataset=train_set, shuffle=True, batch_size=train_size)"""dataloader返回（images,labels）其中，images维度：[batch_size,1,28,28]->[batch_size, 28*28]labels：[batch_size]，即和图片对应shuffle: 打乱数据"""# print(train_set)test_set = torchvision.datasets.MNIST(root=path, train=False,transform=data_tf, download=True)test_loader = dataloader.DataLoader(dataset=test_set, shuffle=False, batch_size=test_size)# print(test_set)# firstImg, firstImg_label = train_set[0]# print(firstImg.shape)# print(firstImg_label)# batch_images, batch_label = next(iter(train_loader))# print(batch_images.shape)# print(batch_label.shape)return train_loader, test_loaderclass BPNNMdel(torch.nn.Module):def __init__(self):super(BPNNMdel, self).__init__()self.layer1 = nn.Sequential(nn.Linear(784, 400), nn.ReLU())self.layer2 = nn.Sequential(nn.Linear(400, 200), nn.ReLU())self.layer3 = nn.Sequential(nn.Linear(200, 100), nn.ReLU())self.layer4 = nn.Sequential(nn.Linear(100, 10))  # 输出维度必须大于标签的维度，即最好大于分类数，否则报错def forward(self, img):img = self.layer1(img)img = self.layer2(img)img = self.layer3(img)img = self.layer4(img)return imgdef train_model(train_data, test_data, iterations, model, model_criterion, model_optimizer):"""模型训练和评估函数，完成模型训练的整个过程:param train_data: 训练用数据集:param test_data: 测试用数据集:param iterations: 训练迭代的次数:param model: 神经网络模型:param model_criterion: 损失函数:param model_optimizer: 反向传播优化函数:return:"""model_train_losses = []model_train_acces = []model_eval_losses = []model_eval_acces = []for epoch in range(iterations):# 网络训练train_loss = 0train_acc = 0model.train()for i, data in enumerate(train_data):img, label = dataimg = img.to(device)label = label.to(device)out = model(img)loss = model_criterion(out, label)model_optimizer.zero_grad()loss.backward()model_optimizer.step()train_loss += loss.item()_, pred = out.max(1)num_correct = (pred == label).sum().item()acc = num_correct / img.shape[0]train_acc += accmodel_train_losses.append(train_loss / len(train_data))model_train_acces.append(train_acc / len(train_data))# 网络评估eval_loss = 0eval_acc = 0model.eval()with torch.no_grad():for i, data in enumerate(test_data):img, label = dataimg = img.to(device)label = label.to(device)out = model(img)loss = model_criterion(out, label)eval_loss += loss.item()_, pred = out.max(1)num_correct = (pred == label).sum().item()acc = num_correct / img.shape[0]eval_acc += accmodel_eval_losses.append(eval_loss / len(test_data))model_eval_acces.append(eval_acc / len(test_data))print('epoch: {}, Train Loss: {:.6f}, Train Acc: {:.6f}, Eval Loss: {:.6f}, Eval Acc: {:.6f}'.format(epoch+1, train_loss / len(train_data), train_acc / len(train_data),eval_loss / len(test_data), eval_acc / len(test_data)))return model_train_losses, model_train_acces, model_eval_losses, model_eval_accesif __name__ == "__main__":# 获取数据train_load, test_load = data_reader('./data', train_size=64, test_size=64)  # 使用torchvision库函数读取数据train, test = load_data('./data/self')  # 从本地读取数据，暂时没有使用# for i, data in enumerate(train_load):#     images, labels = data#     print(images)#     print(labels)#     print(i)# x_train, y_train = train# print(y_train[5])# 构建网络、损失函数epochs = 25  # 迭代次数learning_rate = 0.01  # 学习率Model = BPNNMdel()Model = Model.to(device)print(Model)criterion = nn.CrossEntropyLoss()optimizer = torch.optim.SGD(Model.parameters(), lr=learning_rate)# 训练train_ID = 're'train_losses, train_acces, eval_losses, eval_acces = train_model(train_data=train_load, test_data=test_load, iterations=epochs,model=Model, model_criterion=criterion, model_optimizer=optimizer)state = {'model': Model.state_dict(),'optimizer': optimizer.state_dict()}torch.save(state, './save_model/BP_%s.pth' % train_ID)# 绘图plot_all(train_losses, train_acces, eval_losses, eval_acces, 'BP')

资源下载地址：https://download.csdn.net/download/sheziqiong/86790047
资源下载地址：https://download.csdn.net/download/sheziqiong/86790047

基于Python的BP网络实现手写数字识别相关推荐

MATLAB实现基于BP神经网络的手写数字识别+GUI界面+mnist数据集测试
文章目录 MATLAB实现基于BP神经网络的手写数字识别+GUI界面+mnist数据集测试一.题目要求二.完整的目录结构说明三.Mnist数据集及数据格式转换四.BP神经网络相关知识 4.1 ...
基于BP神经网络的手写数字识别
基于BP神经网络的手写数字识别摘要本文实现了基于MATLAB关于神经网络的手写数字识别算法的设计过程,采用神经网络中反向传播神经网络(即BP神经网络)对手写数字的识别,由MATLAB对图片进行读入 ...
BP神经网络实现手写数字识别Python实现，带GUI手写画板
BP神经网络实现手写数字识别 BP神经网络模型用tkinter编写用于手写输入的画板程序运行的效果截图在B站看了一个机器学习基础的视频( 链接)后,发现到资料里面有一个用BP神经网络对手写数字进 ...
Python学习记录搭建BP神经网络实现手写数字识别
搭建BP神经网络实现手写数字识别通过之前的文章我们知道了,构建一个简单的神经网络需要以下步骤准备数据初始化假设输入神经网络进行计算输出运行结果这次,我们来通过sklearn的手写数字数据集 ...
python cnn代码详解图解_基于TensorFlow的CNN实现Mnist手写数字识别
本文实例为大家分享了基于TensorFlow的CNN实现Mnist手写数字识别的具体代码,供大家参考,具体内容如下一.CNN模型结构输入层:Mnist数据集(28*28) 第一层卷积:感受视野5* ...
MATLAB--基于BP神经网络的手写数字识别
MATLAB–基于BP神经网络的手写数字识别在干活的过程中整理下来的,希望对大家有帮助. 手写数字识别技术作为图像处理和模式识别中的研究热点,在大规模数据统计(如行业年检.人口普查等).票据识别.财 ...
基于最小错误率的贝叶斯决策实现手写数字识别
基于最小错误率的贝叶斯决策实现手写数字识别 1.实验目的 2.实验方法及步骤 (1)平台搭建 (2)特征描述 (3)建立最小错误率贝叶斯决策分类器 (4)实现手写数字识别 3.实验结果 4.实验结果讨 ...
基于TensorFlow和mnist数据集的手写数字识别系统，可识别电话号码，识别准确率高，有对比实验，两组模型，可讲解代码
基于TensorFlow和mnist数据集的手写数字识别系统 ,可识别电话号码,识别准确率高,有对比实验,两组模型,可讲解代码
基于matlab BP神经网络的手写数字识别
摘要本文实现了基于MATLAB关于神经网络的手写数字识别算法的设计过程,采用神经网络中反向传播神经网络(即BP神经网络)对手写数字的识别,由MATLAB对图片进行读入.灰度化以及二值化等处理,通过神 ...

基于Python的BP网络实现手写数字识别

基于Python的BP网络实现手写数字识别相关推荐

最新文章

热门文章