RT-Thread智能车目标识别系统连载教程——手写体识别模型（1）

最新推荐文章于 2022-09-14 19:43:41 发布

RT-Thread物联网操作系统

最新推荐文章于 2022-09-14 19:43:41 发布

阅读量347

点赞数

文章标签：卷积神经网络算法 python 计算机视觉

本文链接：https://blog.csdn.net/rtthreadiotos/article/details/109739635

版权

本文档是RT-Thread智能车目标识别系列教程的第一部分，主要介绍手写体识别的理论基础，包括线性回归、非线性回归、人工神经网络（ANN）和卷积神经网络（CNN）。通过理论讲解和实例，阐述了神经网络在手写体识别中的应用，特别是CNN在图像领域的优势，如卷积、池化、ReLU等操作。文章还讨论了过拟合和Dropout的概念，以及模型训练过程中的损失函数和梯度下降法。

摘要由CSDN通过智能技术生成

前言

这篇文档非常长所以我们会分成5篇来连载，因为机器学习并不是纯软件开发，简单地调用库函数 API，需要有一定的理论支撑，如果完全不介绍理论部分，可能就不知道为什么模型要这样设计，模型出了问题应该怎样改善。不过文档如果写太长大家可能很难有耐心看完，特别是理论部分会有很多公式，但是机器学习确实又对 理论基础 和 编程能力 都有一些要求，相信坚持看下去还是会有很多收获的，我也尽可能把理论和应用都介绍清楚。

前两篇的连载会以机器学习理论为主，之后的文档就基本是纯实际应用了，不会有太多理论内容了：[ Darknet 训练目标检测模型 ]、[ RT-Thread 连接 ROS 小车控制 ]。

这篇文章假定大家都已经会用 RT-Thread 的 env 工具下载软件包，并且生成项目上传固件到 stm32 上，因为这几天的两篇连载文章重点在于加载 onnx 通用机器学习模型，关于 RT-Thread 的教程大家可以在官网文档中心：https://www.rt-thread.org/document/site/上找一找。

首先，简单介绍一下上面提到的各个话题的范围 (Domain)，人工智能 (Artifitial Intelligence) 是最大的话题，如果用一张图来说明的话：

然后机器学习 (Machine Learning) 就是这篇文档的主题了，但是机器学习依旧是一个非常大的话题：

这里简单介绍一下上面提到的三种类型：

监督学习 (Supervised Learning): 这应当是应用最多的领域了，例如人脸识别，我提前先给你大量的图片，然后告诉你当中哪些包含了人脸，哪些不包含，你从我给的照片中总结出人脸的特征，这就是训练过程。最后我再提供一些从来没有见过的图片，如果算法训练得好的话，就能很好的区分一张图片中是否包含人脸。所以监督学习最大的特点就是有训练集，告诉模型什么是对的，什么是错的。

非监督学习 (Unsupervised Learning): 例如网上购物的推荐系统，模型会对我的浏览记录进行分类，然后自动向我推荐相关的商品。非监督学习最大的特点就是没有一个标准答案，比如水杯既可以分类为日用品，也可以分类为礼品，都没有问题。

强化学习 (Reinforcement Learnong): 强化学习应当是机器学习当中最吸引人的一个部分了，例如 Gym 上就有很多训练电脑自己玩游戏最后拿高分的例子。强化学习主要就是通过试错 (Action)，找到能让自己收益最大的方法，这也是为什么很多都例子都是电脑玩游戏。

所以文档后面介绍的都是关于监督学习，因为手写体识别需要有一些训练集告诉我这些图像实际上应该是什么数字，不过监督学习的方法也有很多，主要有分类和回归两大类：