基于Python.Numpy实现的BP卷积神经网络识别手写数字源码(含超详细注释+使用说明)

# 一、概述 基于Python.Numpy实现卷积神经网络，识别手写数字 # 二、文件夹结构功能 ### 1.文件夹 - data：mnist手写数字数据集，包含训练、测试数据 - parameters：神经网络训练结果保存路径 - figure：该文档中的图片 ### 2.文件 - activate.py：激活函数层，包含Sigmoid，SoftMax - bp.py：BP神经网络层，全连接层 - BPmain.py：BP神经网络测试文件 - CNNmain.py：卷积神经网络测试文件 - conv.py：卷积层 - load_mnist.py：mnist数据加载 - module.py：网络层、结构接口定义 - pool.py：池化层 - saveandread.py：神经网络参数保存加载 # 三、项目运行 ## 1.BP神经网络测试 ### 1.1测试目标 - 使用BP神经网络对数据进行分类 ### 1.2测试方式 - 运行BPmain.py文件 ### 1.3测试结果 - 1.训练完成后输出如下 ```bash 开始训练: 2023-02-18 20:16:09.905283 训练已完成练100% 结束训练: 2023-02-18 20:16:56.179266 ``` - 2.测试结果如下图所示，可以看到，神经网络可以将红点与蓝点进行分类  - 3.训练误差如下图所示，可以看到，训练过程中误差在不断缩小  ## 2.卷积神经网络测试 ### 2.1测试目标 - 使用卷积神经网络识别手写数字 ### 2.2测试方式 - 运行CNNmain.py文件 ### 2.3测试结果 - 1.训练完成后输出如下 ```bash 第1次训练开始: 2023-02-18 18:45:01.447278 训练已完成100% 第1次训练结束: 2023-02-18 19:39:28.603512 测试已完成100% 第1次测试结束: 2023-02-18 19:43:05.641130 第1次训练正确率:66.28% 第2次训练开始: 2023-02-18 19:43:05.651106 训练已完成100% 第2次训练结束: 2023-02-18 20:46:34.102317 测试已完成100% 第2次测试结束: 2023-02-18 20:51:22.949554 第2次训练正确率:82.46% 第3次训练开始: 2023-02-18 20:51:22.957532 ... ``` - 2.训练后测试正确率如下图所示，可以看到，随着训练次数增加，正确率在不断提高  ## 3.CNN参数读取测试 ### 3.1测试目标 - 读取训练时保存的参数数据进行数字识别 ### 3.2测试方式 - 运行saveandread.py文件 ### 3.3测试结果 - 1.测试结果如下图所示，可以看到，神经网络可以正确的识别手写数字