PyTorch下基于CNN的手写数字识别及应用研究_第1页
PyTorch下基于CNN的手写数字识别及应用研究_第2页
PyTorch下基于CNN的手写数字识别及应用研究_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

PyTorch下基于CNN本论文主要研究了基于卷积神经网络（N）的手写数字识别技术，采用rhNT数据集进行实验，取得了较高的识别率。同关键词：卷积神经网络，手写数字识别，PyTorch，MNIST数据集，卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种专门CNN的手写数字识别技术，通过对大量手写数字本实验采用MNIST数据集作为训练和测试数据。MNIST数据集包含60000张训练图像和10000张测试图像，每张图像是28x28的灰度图像，用0~9池化层和全连接层，并采用ReLU激活函数和Dropout正则化技术。输入层：28x28卷积层1：6个卷积核，窗口大小为5x5，步长为1，padding为0，得到24张24x24的特征图。12x22max-pooling策略，得到6张12x12的特征图。卷积层2：16个卷积核，窗口大小为5x5，步长为1，padding为0，得到8张8x8的特征图。22x22max-pooling策略，得到16张4x4的特征图。1120ReLU284ReLUDropout正100~9PyTorch（StochasticGradientDescent，SGD）0.1，动量因子为0.9。训练过程中采用交叉熵损失函数进行误差计算。每个batch64100epochCNN模型得到92.3%的准确率。CNN模型，可以进一步优化。可以增加外，也可以采用更加先进的网络模型，如ResNet、VGGNet等。针对手写数字识别的实际应用场景，可以采用多种识别算法相结合，CNN与传统特征提取算法、决策树CNNch框架下MNISTCNN的识别准确率。同时，本论文还探讨了手写数字识别技术在实际应用中的问题及其改进策略。在未来的研究中，可以进

人人文库> 全部分类> 图纸下载 > 毕业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论