基于TensorFlow框架训练的一个全连接网络的手写数字识别器，资源-CSDN文库

共20个文件

gz：4个

meta：3个

index：3个

版权申诉

63 浏览量 2024-05-10 11:04:32 上传评论收藏 20.06MB ZIP 举报

本项目是作者（MRL Liu）基于TensorFlow框架训练的一个全连接网络的手写数字识别器，是作者一个阶段总结性项目。基于MNIST的手写数字识别项目已是深度学习入门的必备项目，但区别于其他，本项目的特色是添加了模型的保存与加载功能、TensorFlow可视化功能、指数… 深度学习（Deep Learning，简称DL）是机器学习（Machine Learning，简称ML）领域中一个新的研究方向，其目标是让机器能够像人一样具有分析学习能力，识别文字、图像和声音等数据。深度学习通过学习样本数据的内在规律和表示层次，使机器能够模仿视听和思考等人类活动，从而解决复杂的模式识别难题。深度学习的核心是神经网络，它由若干个层次构成，每个层次包含若干个神经元。神经元接收上一层次神经元的输出作为输入，通过加权和转换后输出到下一层次神经元，最终生成模型的输出结果。神经网络之间的权值和偏置是神经网络的参数，决定了输入值和输出值之间的关系。深度学习的训练过程通常涉及反向传播算法，该算法用于优化网络参数，使神经网络能够更好地适应数据。训练数据被输入到神经网络中，通过前向传播算法将数据从输入层传递到输出层，然后计算网络输出结果与实际标签之间的差异，即损失函数。通过反向传播算法，网络参数会被调整以减小损失函数值，直到误差达到一定的阈值为止。深度学习中还包含两种主要的神经网络类型：卷积神经网络（Convolutional Neural Networks，简称CNN）和循环神经网络（Recurrent Neural Networks，简称RNN）。卷积神经网络特别擅长处理图像数据，通过逐层卷积和池化操作，逐步提取图像中的高级特征。循环神经网络则适用于处理序列数据，如文本或时间序列数据，通过捕捉序列中的依赖关系来生成模型输出。深度学习在许多领域都取得了显著的成果，包括计算机视觉及图像识别、自然语言处理、语音识别及生成、推荐系统、游戏开发、医学影像识别、金融风控、智能制造、购物领域、基因组学等。随着技术的不断发展，深度学习将在更多领域展现出其潜力。在未来，深度学习可能会面临一些研究热点和挑战，如自监督学习、小样本学习、联邦学习、自动机器学习、多模态学习、自适应学习、量子机器学习等。这些研究方向将推动深度学习技术的进一步发展和应用。

资源推荐

资源详情

资源评论

收起资源包目录

本项目是作者（MRL Liu）基于TensorFlow框架训练的一个全连接网络的手写数字识别器，是作者一个阶段总结性项目。基于MNIST的手写数字识别项目已是深度学习入门的必备项目，但区别于其他，本项目的特色是添加了模型的保存与加载功能、TensorFlow可视化功能、指数….zip （20个子文件）

content

net_model.py 16KB

.gitattributes 66B

logs

events.out.tfevents.1618902502.DESKTOP-E4438MJ 4.22MB

models

model.ckpt-2999.data-00000-of-00001 3.03MB

checkpoint 178B

model.ckpt-999.data-00000-of-00001 3.03MB

model.ckpt-2999.index 497B

model.ckpt-1999.meta 76KB

model.ckpt-1999.data-00000-of-00001 3.03MB

model.ckpt-999.index 497B

model.ckpt-2999.meta 76KB

model.ckpt-1999.index 497B

model.ckpt-999.meta 76KB

__pycache__

datahelpter.cpython-36.pyc 2KB

README.md 4KB

datahelpter.py 2KB

mnist

t10k-images-idx3-ubyte.gz 1.57MB

train-labels-idx1-ubyte.gz 28KB

train-images-idx3-ubyte.gz 9.45MB

t10k-labels-idx1-ubyte.gz 4KB

# MRL-Mnist-Number-Master # 手写数字识别器 ## ——基于TensorFlow的FNN模型本项目是作者（MRL Liu）基于TensorFlow框架训练的一个全连接网络的手写数字识别器，是作者一个阶段总结性项目。基于MNIST的手写数字识别项目已是深度学习入门的必备项目，但区别于其他，本项目的特色是添加了模型的保存与加载功能、TensorFlow可视化功能、指数衰减法的学习率、滑动平均模型技术、L2正则化等常见技术和可视化手写数字图片功能等。整个项目基于良好的面向对象思想，方法定义层层推进，可以说是非常好的总结性学习材料。例如： ![image-20210419215548673](C:\Users\Lab\AppData\Roaming\Typora\typora-user-images\image-20210419215548673.png) 本项目的所有代码共分为2个模块： | **步骤** | **模块名称** | **主要任务** | | -------- | -------------------- | -------------------------------------- | | 一 | datahelper.py | 提供可视化读取后的图片文件数据的方法 | | 二 | Model_Constructor.py | 提供定义模型、训练模型、评估模型的方法 | # **（1）读取的MNIST图片数据可视化效果** ![image-20210419211623293](C:\Users\Lab\AppData\Roaming\Typora\typora-user-images\image-20210419211623293.png) # **（2）训练模型的TensorBoard效果** 定义的计算图结构在TensorBoard中的可视化效果： ![image-20210419212906164](C:\Users\Lab\AppData\Roaming\Typora\typora-user-images\image-20210419212906164.png) 定义的loss和accuracy在TensorBoard中的可视化效果： ![image-20210419213108485](C:\Users\Lab\AppData\Roaming\Typora\typora-user-images\image-20210419213108485.png) ![image-20210419213133427](C:\Users\Lab\AppData\Roaming\Typora\typora-user-images\image-20210419213133427.png) 定义的模型变量在TensorBoard中的可视化效果： ![image-20210419213201903](C:\Users\Lab\AppData\Roaming\Typora\typora-user-images\image-20210419213201903.png) # **（3）测试模型的可视化效果** 在随机抽取图片的可视化预测效果： ![image-20210419211812899](C:\Users\Lab\AppData\Roaming\Typora\typora-user-images\image-20210419211812899.png) 在训练3000次后模型在验证集中可以达到的准确率：0.9838 ![image-20210419211831764](C:\Users\Lab\AppData\Roaming\Typora\typora-user-images\image-20210419211831764.png) # **（4）本项目开源地址等附加信息** 本项目使用的一些其他参考信息： | | | | -------------------- | ------------------------------------------------------------ | | | | | | | | 本项目用到的第三方库 | Numpy,TensorFlow1.14.1,matplotlib, | | 主要参考书籍 | 《TensorFlow实战Google深度学习框架》（第2版） | | 数据集来源 | http://yann.lecun.com/exdb/mnist（本项目原工程中包含有数据集及保存的训练数据） | 本项目包含的文件目录结构如下： ![image-20210419212503003](C:\Users\Lab\AppData\Roaming\Typora\typora-user-images\image-20210419212503003.png) 如果读者不想下载多余的网络模型和TesorBoard文件，可以只下载代码datahelper.py和net_model.py和数据集mnist，然后仿照上述目录新建logs和models文件夹即可运行生成新的网络模型和TesorBoard文件。

评论收藏

内容反馈

版权申诉