Python课程设计基于卷积神经网络的手写数字识别系统源码

目录

一、选题

二、用到的知识

三、具体流程

1、参数配置文件的加载

2、加载数据集，分割训练集和测试集

3、layer的生成

4、神经网络的反向传播

---

一、选题

源 码 免 费 下 载 链 接 如 下：

Python课程设计基于卷积神经网络的手写数字识别系统源码.zip-Python文档类资源-CSDN下载Python课程设计基于卷积神经网络的手写数字识别系统源码.zipPython课程设计基于卷积神经网更多下载资源、学习资料请访问CSDN下载频道.https://download.csdn.net/download/chengxuyuanlaow/86762748利用numpy完成手写数字数据集的识别，完成多分类问题，搭建神经网络，并且完成模型的训练以及性能评估，可视化数据

二、用到的知识

1. sklearn 数据集的提取分割
2. yaml配置文件使用
3. numpy实现各个神经层
4. 参数初值选择
5. 梯度下降方法选择
6. sklearn 分类模型评估
7. matplotlib数据可视化
8. 设计模式
9. Markdown写报告
10. 防脱发技术

代码框架如下所示：

.
├── save_params.pkl 训练好的模型 
├── params.yaml     神经网络搭建参数配置
├── tools.py        卷积和池化过程用到的转换
    ├── im2col            将图像卷积转化为矩阵相乘的形式
    └── col2im            反向传播将矩阵相乘形式转化为原图像
├── optimizer.py    参数更新方法
    ├── OptimizerBase类     参数更新方法基类，必须重写覆盖虚函数才能构造类
          └── update     对参数进行更新，子类的update同作用
    ├── AdaGrad类        AdaGrad方法
    └── SGD类            随机梯度下降法
├── network.py      主程序，将所有其它模块连接起来
    └── NeuralNetwork类     神经网络总类
        ├── test       模型测试
        ├── loadAndTest 加载已经训练好的模型然后测试
        ├── runNetWork  训练模型
        ├── predict     所有网络层前向传播
        ├── update      所有网络层反向传播并更新参数
        ├── getParams   获取yaml配置文件参数
        ├── saveParams  保存训练好的参数模型
        ├── getData     获取训练集和测试集
        ├── getLayer    根据配置文件生成神经网络
        └── getTrainData  随机抽取训练数据
├── method.py       参数初始化方法
    ├── ParamsInitBase类  参数初始化基类
        ├── getParams 获取卷积层初始化参数，子类同
        └── getAffineParams 获取Affine层初始化参数，子类同
    ├── He 类      He方法初始化参数
    └── Xavier类    Xavier方法初始化参数
├── layer.py        神经网络层
    ├── LayerBase类    神经网络层基类
        ├── forward 前向传播，子类同
        ├── backward 反向传播，子类同
        ├── update 参数更新，子类同
        ├── saveParams 参数保存，子类同
        └── loadParams 参数加载，子类同
    ├── AffineLayer类
        └── ininParams 参数初始化
    ├── ReluLayer类
    ├── SoftMaxLayer类
    ├── SoftMaxLossLayer类
        └── cross_entropy_error 计算交叉熵
    ├── ConvolutionLayer类
        └── initParams 参数初始化
    ├── PoolingLayer类
    ├── DropOutLayer类
    └── LayerFactory类
        └── produce 根据神经网络层的名称和参数来构造类
├── drawer.py       结果绘制
    └── Drawer类     数据可视化类
        ├── record    记录数据
        └── plot      绘制数据
├── dataset.py      获取数据集并且split好
    └── DataPreparer类  数据准备类
        ├── getData 加载数据并且划分测试集和训练集
        └── get     外部获取数据接口
├── analyser.py     模型分析
    └── Analyser类  模型分析类
        └── analyse  分析函数

三、具体流程和代码

1、参数配置文件的加载

with open(params_path) as params_file:
        self.params = yaml.load((params_file))

这里使用了yaml文件作为配置文件，原因是yaml文件结构比较简单简洁，可以清楚地表示出层次结构，通过参数文件的配置，可以不用修改源代码就可以配置出不同的神经网络，具体见下面layer生成的分析

2、加载数据集，分割训练集和测试集

使用sklearn 来获取数据集，并且进行分割

    # 加载数据
digits_data, digits_target = load_digits(
        return_X_y=True)
# 划分训练集和测试集
self.x_train, self.x_test, self.y_train, self.y_test = \
train_test_split(digits_data, digits_target,
                test_size=1-train_size_, train_size=train_size_,
                random_state=3, shuffle=True)

3、layer的生成

def produce(self, layer: str, params_set) -> object:
    if params_set is None:
        params_set = {}
    return eval(layer)(**params_set)

这里利用eval动态生成构造信息，这样的话就可以根据配置文件的信息来动态生成类，也就是说网络选择哪些层，层的顺序是什么，只要符合一定的顺序(这个规则在yaml文件有写)，就可以构造网络并且顺利运行，所得到的层使用OrderDict按顺序存储

1. 训练数据的提取

   由于训练集数据并不多，如果仅仅利用这些数据训练的话，一定不够，所以采用了每次随机提取一个batch的数据的方案来进行训练，这样可以缓解数据集不足的问题

2. 参数初始化方法

   • 由于使用Relu函数作为激活函数，故参数初始化统一使用He方法，Xavier方法可选

3. 神经网络的前向传播

   根据 ConvolutionLayer -> ReluLayer -> PoolingLayer -> ConvolutionLayer -> ReluLayer -> PoolingLayer -> ConvolutionLayer -> ReluLayer -> DropOutLayer -> AffineLayer -> ReluLayer -> AffineLayer -> SoftMaxLossLayer 的顺序搭建网络，然后依次调用forward函数即可

• AffineLayer的前向传播

  1. 由于传进的维度可能不是二维，所以首先要保存原来的维度信息，然后resize成二维矩阵

  2. 根据矩阵的乘法以及加法来计算前向传播值

• ConvolutionLayer的前向传播

  1. 将图像卷积转化为易于矩阵相乘的形式

  2. 用相同与AffineLayer前向传播的方式计算

• ReluLayer的前向传播

  1. mask标记出小于零的项，然后使这些项等于0

• PoolingLayer的前向传播

  1. 利用im2col将4个数放在同一行(2*2池化核的情况下)

  2. 计算每一行的最大值，保留最大值，其它全部删去，传播给下一层

  3. 保存最大值的索引，方便反向传播

• DropOutLayer的前向传播

  1. 训练模式下，删去部分神经元，即将参数设置为0，传播给下一层

  2. 测试模式下，将每一个神经元参数下降一定比例

• SoftMaxLossLayer的前向传播

  1. 利用SoftMax层进行计算,得到前向传播的最终结果

  2. 对SoftMax层的计算结果利用交叉熵方法求loss

4、神经网络的反向传播

• AffineLayer的反向传播

  1. 根据矩阵乘法求取梯度(这里不具体分析原因，需要用到矩阵论的知识)

  2. 矩阵乘法求取反向传播值，并且将值resize回原来的形状

• ConvolutionLayer的反向传播

  1. 用同于计算AffineLayer反向传播的方法计算

  2. 将结果用col2im还原为原来图片的形状

• ReluLayer的反向传播

  1. 使原来小于零的项反向传播值也为0

• PoolingLayer的反向传播

  1. 使前向传播最大值处的梯度值保留，其余处的梯度值变为0

  2. 将矩阵使用col2im转化回原来的形式

• DropOutLayer的反向传播

  1. 删除部分的神经元反向传播值为0

• SoftMaxLossLayer的前向传播

  1. 公式 y-t 来进行计算

神经网络的参数更新

• 通过反向传播之后，我们获得了AffineLayer和ConvolutionLayer的梯度值，于是可以根据这些梯度值对参数进行更新，更新方法有两种可选：

  1. 随机梯度下降法，学习率恒定

  2. AdaGrad：学习率会根据之前梯度的平方和来逐渐削弱

1. 模型测试

       x_test = self.x_test.reshape(-1, 1, 8, 8)
       x_predict = self.predict(x_test)
       predict_y = np.argmax(x_predict, axis=1)

2. 参数保存

• 通过调用每一层的saveParams()函数，可以对每一层的参数按顺序保存，然后利用pickle保存模型参数为pkl格式

  params_list = []
      for layer in self.order_layer.values():
          params_list.append(layer.saveParams())
      with open(self.params['save_params_path'], 'wb') as f:
          pickle.dump(params_list, f)

1. 参数加载

• 在已经保存参数模型之后，可以调用loadAndTest()函数对参数进行加载。思路是先通过正常方式构建网络，然后将W,b两个参数通过调用网络的initParams()函数进行构造

1. 模型评估

• 使用sklearn的metrics板块对分类模型进行评估

      print(metrics.classification_report(target, predict_y))
      print(metrics.accuracy_score(target, predict_y))
      print(metrics.confusion_matrix(target, predict_y))

• 通过不同的测试集和不同的数据集，正确率在 97.2 - 99.4 不等

  

  • 由数据可以知道，准确率只有1，5 不到1.00,根据混淆矩阵，可以知道1被错误识别为5，5被错误识别为6(这个也可以通过召回率来得到，通过混淆矩阵可以知道准确率和召回率是怎样计算的)

1. loss曲线绘制

• 利用matplitlib中的绘制散点图函数，即

      plt.scatter(x, self.data_set)
      plt.title("handwriting digits classification")
      plt.xlabel('num')
      plt.ylabel('loss')
      plt.legend('loss')

• 由图可以看出，第一次迭代时梯度下降最快，后续下降越来越慢最终loss稳定在 10 * e-4 左右