Python基于CNN神经网络实现数据超过30万条的手写数学符号识别系统源代码+数据集

# Handwritten-math-symbols-recognition 使用常用的CNN神经网络实现数据超过30万条的手写数学符号识别 ## 数据集 所用的数据集是来自`kaggle`的`Handwritten math symbols dataset`，其中包括超过30w张图片，共有82个类别。解压后的数据放到extracted_images中作为数据 数据集下载地址： [Handwritten math symbols dataset](https://www.kaggle.com/datasets/xainano/handwrittenmathsymbols/discussion) ## utils模块 utils中包括数据的加载，模型以及画图展示 ### dataLoader **idxPrepare** 传入数据所在的路径，获取标签与索引的对应关系并以字典的形式保存，并返回由(图片，类别)组成的列表 **image2txt** 传入由(图片，类别)组成的列表，将数据集划分成训练数据和测试数据。并将路径以及对应的标签存放到txt文件中 **MyLoader** 使用torchvsion加载图片 **MyDataLoader** 由于数据量稍微有些大，直接使用torch的数据加载有可能会导致OOM，所以构建了一个数据加载的类，这个类并不会将所有的数据一次性全部加载到内存，而是将存有数据路径和对应的类别先全部加载到内存中，当需要用到数据时，再将数据从磁盘中读到内存当中。 **LoadDataset** 为了方便加载数据，构建了一个数据加载器，传入数据的路径，数据的批量大小和图片的大小，返回训练数据和测试数据的迭代器以供模型的训练 ### models 包含各种常见的CNN分类模型，包括LeNet、alexNet、vgg11、NiN、GoogLeNet、resNet18、denseNet模型的构建 **select_model** 用于选择模型，传入模型的名称以及模型的参数，返回选择的分类模型 ### plotShow 传入由训练损失、训练精度、测试损失、测试精度组成的字典，然后绘制出图像 ## train模块 用于训练模型 **accuracy** 传入预测结果和标签，用于评估预测精度 **train** 传入选择使用的模型，模型参数，训练数据、测试数据、训练轮次、学习率、训练设备、提前终止训练的阈值以及是否保存检查点，进行模型的训练，最终训练结果将会保存在`model_weights`文件夹中 ## predict模块 根据不同的参数设置可以进行预测，可选的预测模式有单张图片预测，从文件夹中预测以及随机选取测试集中的数据进行预测