手写数字识别：Python+CNN神经网络+PYQT交互界面+训练好的模型（高分项目）

# 手写数字识别 项目介绍 手写数字识别是经典的 CNN 分类应用之一，常用的数据集就是 MNIST 手写数字数据集，包含 0~9 这 10 个数字的手写图片。本次实验采用CNN进行分类识别，为了便于对不同的网络进行实验分析，选择自定义CNN模型 #### 软件架构 软件架构说明：该项目大致由模型训练、画板输入、图片输入、数字识别四个部分组成 #### 使用说明 建议为该项目创建独立的虚拟环境，项目环境依赖已全部包含在requirements.txt内，以避免不必要的冲突。 1. 创建虚拟环境(指定Python版本3.9及以上) Anaconda prompt输入命令 ``` conda create -n _projectname_ python=3.9 ``` 1. 安装依赖项 在项目所在根目录进入命令控制台 ``` activate projectname ``` pip freeze > requirements.txt ### 运行环境 1. 使用环境 Python3.9 2. 平台 Windows 10 3. IDE Pycharm ### 项目依赖 - Keras==2.3.1 - numpy==1.18.5 - PyQt5==5.15.9 - PyQt5_sip==12.10.1 - tensorflow==2.0.0 ### cnn模型结构搭建 1. Sequential 用于建立序列模型 1. Flatten 层用于展开张量，input_shape 定义输入形状为 28x28 1. 的图像，展开后为 28*28 的张量。 1. Dense 层为全连接层，输出有 128 个神经元，激活函数使用 relu。 1. Dropout层使用 0.25 的失活率。 1. 再接一个全连接层，激活函数使用 softmax，得到对各个类别预测的概率。 ### cnn模型训练并保存模型 1. 优化器选择 Adam 优化器。 1. 损失函数使用 categorical_crossentropy， 1. sparse_categorical 输入的是整形的标签，例如 [1, 2, 3, 4]，categorical 输入的是 one-hot 编码的标签。 ### 界面可视化 - PyQt介绍 PyQt是Python语言的GUI（Graphical User Interface，简称 GUI，又称图形用户接口）编程解决方案之一，可以用来代替Python内置的Tkinter。其它替代者还有PyGTK、wxPython等，与C++中的Qt一样，PyQt是一个自由软件。 本项目采用了pyqt5进行主界面的搭建，通过实现信号与槽功能之间的联系完成系统功能。