CNN卷积神经网络手写数字识别实例及代码详解

VIPCNN卷积神经网络手写数字识别实例及代码详解
本文的代码来自githup的Deep Learning的toolbox,是用Matlab实现的。感谢该toolbox的作者付出和分享。我在应该该代码进行训练时,出现一些报错,如expand函数应用不对,flipall函数未定义等问题,对这些问题进行了修正,完成网络训练和验证。本文mnist_uint8.mat的获取可以参照我的另一篇博客:MNIST数据库处理--matlab生成mnist_
开通可读全文 ·6.4w 人阅读
最低0.47元/天 解锁文章

本文的代码来自githup的Deep Learning的toolbox,是用Matlab实现的。感谢该toolbox的作者付出和分享。

我在应该该代码进行训练时,出现一些报错,如expand函数应用不对,sigm函数和flipall函数未定义等问题,对这些问题进行了修正,完成网络训练和验证。

本文mnist_uint8.mat的获取可以参照我的另一篇博客:MNIST数据库处理--matlab生成mnist_uint8.mat   http://blog.csdn.net/fuwenyan/article/details/53954615


本文作者:非文艺小燕儿,VivienFu,

欢迎大家转载适用,请注明出处。http://blog.csdn.net/fuwenyan?viewmode=contents http://blog.csdn.net/fuwenyan?viewmode=contents



学习该代码需要一定的CNN理论基础。

目的:实现手写数字识别

数据集:MNIST数据集,60000张训练图像,10000张测试图像,每张图像size为28*28

网络层级结构概述:5层神经网络

Input layer: 输入数据为原始训练图像

Conv1:6个5*5的卷积核,步长Stride为1

Pooling1:卷积核size为2*2,步长Stride为2

Conv2:12个5*5的卷积核,步长Stride为1

Pooling2:卷积核size为2*2,步长Stride为2

Output layer:输出为10维向量

网络层级结构示意图如下:

 

 

 

 

 

代码流程概述:

(1)获取训练数据和测试数据;

(2)定义网络层级结构;

(3)初始设置网络参数(权重W,偏向b)cnnsetup(cnn, train_x, train_y)

(4)训练超参数opts定义(学习率,batchsize,epoch)

(5)网络训练之前向运算cnnff(net, batch_x)

(6)网络训练之反向传播cnnbp(net, batch_y)

(7)网络训练之参数更新cnnapplygrads(net, opts)

(8)重复(5)(6)(7),直至满足epoch

(9)网络测试cnntest(cnn, test_x, test_y)

 

 

 详细代码及我的注释

 

cnnexamples.m

clear all; close all; clc;    
load mnist_uint8;  
  
train_x = double(reshape(train_x',28,28,60000))/255;  %数据归一化至[0 1]之间
test_x = double(reshape(test_x',28,28,10000))/255;  %数据归一化至[0 1]之间
train_y = double(train_y');  
test_y = double(test_y');  
 
%% ex1   
%will run 1 epoch in about 200 second and get around 11% error.   
%With 100 epochs you'll get around 1.2% error  
  
cnn.layers = {  
    struct('type', 'i') %input layer  
    struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer,6个5*5的卷积核,可以得到6个outputmaps  
    struct('type', 's', 'scale', 2) %sub sampling layer  ,2*2的下采样卷积核
    struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer ,12个5*5的卷积核,可以得到12个outputmaps  


    struct('type', 's', 'scale', 2) %subsampling layer    ,2*2的下采样卷积核
};  %定义了一个5层神经网络,还有一个输出层,并未在这里定义。
  
cnn = cnnsetup(cnn, train_x, train_y);  %通过该函数,对网络初始权重矩阵和偏向进行初始化
  
opts.alpha = 1;  % 学习率
 
opts.batchsize = 50; %每batchsize张图像一起训练一轮,调整一次权值。  
% 训练次数,用同样的样本集。我训练的时候:  
% 1的时候 11.41% error  
% 5的时候 4.2% error  
% 10的时候 2.73% error  
opts.numepochs = 10;  %每个epoch内,对所有训练数据进行训练,更新(训练图像个数/batchsize)次网络参数
  
cnn = cnntrain(cnn,

VIP 卷积神经网络实例 —— 实现手写数字识别 卷积神经网络是一种多层、前馈型神经网络。从功能上来说,可以分为两个阶段,特征提取阶段和分类识别阶段。 特征提取阶段能够自动提取输入数据中的特征作为分类的依据,它由多个特征层堆叠而成,每个特征层又由卷积层和池化层组成。处在前面的 特征层捕获图像中局部细节的信息,而后面的特征层能够捕获到图像中更加高层、抽象的信息。分类识别阶段通常是一个简单的分类器,例如全连接网络或者支持向量机。它更加提取出的特征完成分类或识别任务。在这节课中,我们以手写数字识别为例,介绍如何使用 Keras 构建和训练卷积神经网络。输入为手 开通可读全文·1.4w 阅读·26 点赞·285 收藏 阅读全文

相关推荐

基于卷积神经网络的手写数字识别

我们这里要解决的问题是,将手写数字的灰度图像(28 像素×28 像素)划分到10个类别中(0~9)。我们将使用 MNIST 数据集,它是机器学习领域的一个经典数据集,这个数据集包含60000张训练图像和10000张测试图像,由美国国家标准与技术研究院在20世纪 80年代收集得到。我们先来看一个简单的卷积神经网络示例,即使用卷积神经网络对MNIST数字进行分类,这个任务我们在前面章节使用全连接网络做过。虽然本例中的卷积神经网络很简单,但其精度肯定会超过前面章节的全连接网络。

需要远程指导仿真实验、代码有问题的,请后台私信或者关注公众号 2903

基于CNN的手写数字识别

基于CNN的手写数字识别 文章目录基于CNN的手写数字识别零、 写在之前壹、 聊聊CNN01. 什么是CNN02. 为什么要有CNN03. CNN模型3.1 卷积层3.2 池化层3.3 全连接层3.4 relu层3.5 softmax层贰、python的实践01. 代码框架的构建02. 准备工作03. 数据处理04. 卷积层正向传播05. 池化层正向传播06. softmax层正向传播07. CNN模型08. softmax层反馈09. 池化层反馈10.卷积层反馈11. 动态绘图12. 全部代码叁、跑一跑模

盼盼的博客 1万+

基于CNN卷积神经网络手写数字识别模型

基于CNN手写数字识别模型训练一、CNN(卷积神经网络)简介二、实验设计实验结果最终代码 一、CNN(卷积神经网络)简介 1.1 卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一,在图像处理和识别的方向上取得很大的成就,本文只要进行的是基于CNN卷积神经网络的数字识别模型训练。 1.2 卷积神经网络结构:输入层——隐藏层——输出层,其中隐藏层包括卷积层(Convolution)、池化层(Pooling)、全连接层(Dense),其结构基本如下 二、实验设计 2.1 实验

qq_42100276的博客 7180

Tensorflow基于卷积神经网络(CNN)的手写数字识别

一、简介 本项目在Tensorflow平台下利用卷积神经网络(CNN)实现了对mnist数据集(28*28)的手写数字图片的识别,通过5000*50个样本训练后,对500个样本进行测试,准确率可以达到95%左右。本文完整代码:https://github.com/iapcoder/cnnMnistRecognition。 二、mnist数据集简介 MNIST(Mixed National I...

wangTongGen 8992

通过卷积神经网络(CNN)识别和预测手写数字

本文演示了使用Python的Pytorch库来完成一个卷积神经网络(CNN)来训练MNIST数据集,这个示例能够帮助更好的了解卷积神经网络(CNN)的原理。

eeee~~的博客 2131

PyTorch搭建卷积神经网络CNN实现MNIST手写数字识别(附代码)

首先需要对CNN网络理解,如果还不清楚卷积神经网络的可以去看https://blog.csdn.net/v_JULY_v/article/details/51812459 大神的超详细解析!

yykkkybs的博客 3500

基于CNN 卷积神经网络手写数字图像识别

文章目录卷积神经网络手写数字图像识别1、导入相关库2、导入手写数据集3、定义数据包装器4、查看数据维度5、定义卷积网络层6、定义模型与损失函数、优化器7、训练、测试函数8、网络迭代训练9、保存模型10、加载模型11、模型测试 卷积神经网络手写数字图像识别 1、导入相关库 # pytorch框架 import torch from torch import nn,optim from torchvision import datasets,transforms from torch.utils.data i

CSDN 精品推荐 1万+

S.BUS协议及编解码,C语言源码

1、简介 SBUS本质是一种串口通信协议,采用100K的波特率,8位数据位,两位停止位,偶效验,即8E2的串口通信。 值得注意的有三点: 1.SBUS采用负逻辑,所以无论接收还是发送都要进行硬件取反(注意,一定要硬件取反),电路如下 这是我在网上看资料时看到的电路,实际上我用的是下面这个电路 2.SBUS有两种模式, a.高速模式:每4ms发送一次 b...

qq_31232793的博客 1万+

【无人机智能避障】基于深度强化学习的城市复杂环境路径规划实战

本文探讨了基于深度强化学习的无人机在城市复杂环境中的智能避障与路径规划。针对传统算法难以应对动态与非结构化障碍的痛点,文章详细介绍了如何利用DQN算法,通过设计合理的状态空间、奖励函数,并结合经验回放、目标网络等技巧,训练无人机自主学会在楼宇间安全、高效飞行的策略。

weixin_28224217的博客 737

【SPSS实战】手动实现Quade非参数协方差分析:从数据准备到结果解读

本文详细介绍了在SPSS中手动实现Quade非参数协方差分析的实战方法。当数据不满足正态分布等参数检验假设时,通过将协变量和因变量转换为秩,并利用秩回归残差进行Kruskal-Wallis组间比较,提供了一种清晰、可操作的近似解决方案。该方法有效解决了非正态数据的协变量调整问题,适用于实验研究和调查数据分析。

bean的博客 469

PCB设计必看:铜皮厚度与载流能力对照表(附Excel计算工具)

本文深入解析了PCB设计中铜皮厚度与载流能力的核心关系,提供了基于IPC-2152标准的动态计算逻辑与实用Excel工具。文章不仅分享了载流对照表,更重点剖析了影响载流能力的关键因素(如铜厚、线宽、温升、布线层),并给出了高电流设计的实战技巧与测试验证方法,帮助工程师规避常见陷阱,实现从理论到实践的闭环设计。

weixin_29228781的博客 729

解决【x2openEuler环境检查未通过——CheckRepoCurlActor不通过】问题

摘要:x2openEuler使用默认repo源时出现环境检查失败问题,原因是默认源返回308永久重定向错误。解决方法包括:1)为CentOS主机配置华为yum源;2)在x2openEuler Web界面修改为自定义可用源。具体步骤包括备份原源、下载华为源、清除缓存,并通过curl测试确认新源可用性。最终成功配置openEuler-24.03-LTS-SP1版本的repo源后,环境检查顺利通过。

提供C#相关开发 、云计算、运维测试、网络安全相关技术分享与服务,有意向可联系。 259

华为OD机考双机位C卷 - 采购订单 (Java & Python& JS & C/C++ & GO )

华为OD机考双机位C卷 - 采购订单 。提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。

算法大师! 428

Docker-Nvidia(NVIDIA Container Toolkit)

安装NVIDIA Container Toolkit工具,支持docker使用GPU。

周陽讀書 3823

FanucROBOGUIDE软件二次开发:使用ROBOGUIDEAPI进行编程

菜单栏:位于界面顶部,提供文件、编辑、视图、插入、格式、工具、窗口和帮助等选项。工具栏:包含常用的工具按钮,如新建、打开、保存、运行、停止、机器人控制等。工作站视图:显示工作站的3D模型,用户可以在这里放置机器人、工件、工具和其他设备。机器人控制面板:用于控制机器人运动,包括手动移动、程序编辑和运行。程序编辑器:在这里可以编写和编辑机器人程序,支持Fanuc的R-30iB Plus和R-30iB控制柜的程序格式。状态栏:显示当前工作站的状态信息,如机器人位置、程序状态等。

kkchenjj的博客 1411

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

上一篇: 神经网络算法学习---梯度下降和随机梯度下降
下一篇: MNIST数据库处理--matlab生成mnist_uint8.mat
非文艺小燕儿_Vivien
博客等级 码龄17年 506粉丝 53原创
评论 87
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值