‘‘深度学习和计算机视觉(实践)’’ 课程实验三:
卷积神经网络 CNN
廖振宇
日期:2021 年 9 月 26 日
1 实验背景
课程内容回顾 在理论课程中,我们讨论了卷积神经网络 CNN 的结构和相关的问题。
实验内容 借助 Keras,Tensorfolow 或 Pytorch 等框架,搭建 LeNet-5 卷积神经网络,实现 MNIST
数据集上的手写数字识别
2 实验要求和评价标准
• 实现 MNIST 数据加载和可视化
• 阅读 LeNet-5 的相关资料和论文,在 Keras,Tensorfolow 或 Pytorch 任意框架下逐层实现网
络模型的构建
• 在 MNIST 数据集上实现模型训练,评估模型性能指标1
• 拍摄一张包含多个自己手写数字的照片,在经过图像裁剪、二值化等图像预处理后,使用
在 MNIST 数据集上训练得到的 CNN 模型进行分类预测
•(选做)对 MNIST 或自己手写的数据进行不同程度的平移、旋转、(长宽等比例或不等比
例)伸缩等处理后,观察神经网络的性能变化
• PPT 汇报(每组 3min),提交 3-5 页实验报告,需简要叙述方法原理、实验步骤、方法参
数讨论、实验结果;需明确说明组员分工、给出组内排名(可标注同等贡献 #)。
3 参考资料
• MNIST 手写数字识别数据集:http://yann.lecun.com/exdb/mnist/
• LeNet 介绍和说明:http://yann.lecun.com/exdb/lenet/
• Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. Gradient-based lear ning applied to document recognition. Proceedings
of the IEEE, november 1998.
1使用整个训练集进行模型训练,将训练得到的模型在整个测试集上进行测试
1
评论0