基于深度学习的书法字体识别.zip

## 神经网络训练程序说明 ### 实验框架要求 - Ubuntu 16.04 - TensorFlow-gpu - CUDA10 - Keras - Python 3.x ### 实验框架搭建 #### 安装Ubuntu 16.04 直接在Ubuntu官网下载Ubuntu桌面版，然后将其烧写进U盘，再进行安装即可。 #### 安装配置TensorFlow-gpu版本 首先需要安装NVIDIA显卡的软件程序包，直接执行如下命令: ``` # Add NVIDIA package repositories # Add HTTPS support for apt-key $ sudo apt-get install gnupg-curl $ wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_10.0.130-1_amd64.deb $ sudo dpkg -i cuda-repo-ubuntu1604_10.0.130-1_amd64.deb $ sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub $ sudo apt-get update $ wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb $ sudo apt install ./nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb $ sudo apt-get update ``` 然后是安装NVIDIA驱动，同时创建文件目录/usr/lib/nvidia。 ``` $ sudo mkdir /usr/lib/nvidia $ sudo apt-get install --no-install-recommends nvidia-410$ sudo apt-get update ``` 此时先使用指令nvidia-smi进行检查，看是否安装成功，然后再进行开发运行库的安装。 ``` $ sudo apt-get install --no-install-recommends \ cuda-10-0 \ libcudnn7=7.4.1.5-1+cuda10.0 \ libcudnn7-dev=7.4.1.5-1+cuda10.0 ``` 最后安装TensorRT程序及CUDA10.0。 ``` $ sudo apt-get update && \ sudo apt-get install nvinfer-runtime-trt-repo-ubuntu1604-5.0.2-ga-cuda10.0 \ && sudo apt-get update \ && sudo apt-get install -y --no-install-recommends libnvinfer-dev=5.0.2-1+cuda10.0 ``` 至此，就配置好了Ubuntu 16.04+CUDA10+TensorFlow-gpu的生产环境了。 #### 安装Keras库 Keras库可以直接使用Python的pip指令安装。首先我们进行pip安装： ``` $ sudo apt-get install python-pip python-dev ``` 然后安装Keras库文件： ``` $ sudo pip install -U --pre pip setuptools wheel $ sudo pip install -U --pre numpy scipy matplotlib scikit-learn scikit-image $ sudo pip install -U --pre tensorflow-gpu $ sudo pip install -U --pre keras ``` 这样，我们就基本完成了实验框架的搭建（个别图片处理的库则自行使用pip安装即可）。 ### 程序设计思路简述 训练程序中，我们搭建了三种神经网络的框架，分别是ResNet、AlexNet和一个简单测试网络框架，最终采用的是AlexNet网络。 采用AlexNet的原因有很多，其中主要的就是实验时采用的计算机计算能力较为一般，而AlexNet较为简单，训练速度较快，而使用ResNet进行调试则需要付出较大的时间开销，如果有计算能力强的计算机可以尝试一下。 设计的AlexNet网络是完全参考了AlexNet的原型，除了第一层的参数有些不同，后面的参数几乎相同。同时，为了避免过拟合，我们在网络中添加了Dropout正则化，并且对图像数据进行了扩充；为了提高学习效率，我们使用了学习率衰减。总的来说，整个模型还有优化的空间，进行更加细致的超参数调试，应该能够将正确率优化到99%以上（当前97.53%）。