CNN卷积神经网络手写数字识别系统

CNN卷积神经网络手写数字识别系统

实现了一个基于卷积神经网络（CNN）的智能手写数字识别系统，通过Tkinter框架构建了一个简单的图形用户界面（GUI）。用户可以在画布上手绘数字，系统会实时预测并显示识别结果。应用程序加载了一个已经训练好的MNIST数据集模型，通过Canvas组件允许用户自由绘制数字，并通过按钮触发数字识别。识别过程使用了Keras深度学习框架和TensorFlow，且界面中提供了清空画布和调整画笔大小的功能，使得用户体验更加友好。

基于卷积神经网络（CNN）的手写数字识别系统的实现代码，使用Python和深度学习框架TensorFlow/Keras完成。

---

代码实现

# 导入必要的库
import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical
import matplotlib.pyplot as plt

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
# 将图像数据归一化到 [0, 1] 范围，并调整形状以适应CNN输入
x_train = x_train.reshape((x_train.shape[0], 28, 28, 1)).astype('float32') / 255
x_test = x_test.reshape((x_test.shape[0], 28, 28, 1)).astype('float32') / 255

# 将标签转换为独热编码
y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

# 构建CNN模型
model = models.Sequential()

# 第一层卷积层 + 最大池化层
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))

# 第二层卷积层 + 最大池化层
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))

# 第三层卷积层
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

# 展平层
model.add(layers.Flatten())

# 全连接层
model.add(layers.Dense(64, activation='relu'))

# 输出层
model.add(layers.Dense(10, activation='softmax'))

# 编译模型
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 打印模型结构
model.summary()

# 训练模型
history = model.fit(x_train, y_train, epochs=5, batch_size=64, validation_split=0.1)

# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"测试集准确率: {test_acc:.4f}")

# 可视化训练过程
plt.plot(history.history['accuracy'], label='训练准确率')
plt.plot(history.history['val_accuracy'], label='验证准确率')
plt.title('训练与验证准确率')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

# 预测示例
predictions = model.predict(x_test)
example_index = 0
print(f"预测值: {predictions[example_index].argmax()}")
print(f"真实值: {y_test[example_index].argmax()}")

# 显示预测的图片
plt.imshow(x_test[example_index].reshape(28, 28), cmap='gray')
plt.title(f"预测值: {predictions[example_index].argmax()}")
plt.show()

—

代码说明

1. 数据加载与预处理：

   • 使用 mnist.load_data() 加载 MNIST 数据集。
   • 将图像数据归一化到 [0, 1] 范围，并将形状调整为 (28, 28, 1)，以适应 CNN 输入格式。
   • 标签通过 to_categorical 转换为独热编码。

2. 模型构建：

   • 使用了三层卷积层（Conv2D），每层后接最大池化层（MaxPooling2D）。
   • 卷积层提取特征，池化层降低维度。
   • 展平层（Flatten）将多维数据展平为一维向量。
   • 全连接层（Dense）进行分类，输出层使用 softmax 激活函数输出概率分布。

3. 模型编译与训练：

   • 使用 adam 优化器和 categorical_crossentropy 损失函数。
   • 训练过程中设置 epochs=5 和 batch_size=64。
   • 验证集比例为 10%。

4. 模型评估：

   • 在测试集上评估模型性能，打印测试集准确率。

5. 可视化与预测：

   • 绘制训练和验证准确率曲线。
   • 对测试集中的第一个样本进行预测，并显示其图像和预测结果。

—

运行环境

• Python >= 3.6
• TensorFlow >= 2.0
• Matplotlib >= 3.0

可以通过以下命令安装依赖：

pip install tensorflow matplotlib

---

运行结果

1. 模型训练完成后，会输出训练和验证的准确率。
2. 测试集上的准确率通常可以达到 98%-99%。
3. 可视化训练过程的准确率曲线，以及预测结果的示例图片。