Python课程设计基于卷积神经网络的手写数字识别系统源码（95分以上）.zip

程序依赖 pyyaml numpy sklearn matplotlib abc 选题 利用numpy完成手写数字数据集的识别，完成多分类问题，搭建神经网络，并且完成模型的训练以及性能评估，可视化数据 用到的知识 sklearn 数据集的提取分割 yaml配置文件使用 numpy实现各个神经层 参数初值选择 梯度下降方法选择 sklearn 分类模型评估 matplotlib数据可视化 设计模式 Markdown写报告 防脱发技术 框架 整体框架 框架 代码框架 . ├── save_params.pkl 训练好的模型 ├── params.yaml 神经网络搭建参数配置 ├── tools.py 卷积和池化过程用到的转换 ├── im2col 将图像卷积转化为矩阵相乘的形式 └── col2im 反向传播将矩阵相乘形式转化为原图像 ├── optimizer.py 参数更新方法 ├── OptimizerBase类 参数更新方法基类，必须重写覆盖虚函数才能构造类 └── update 对参数进行更新，子类的update同作用 ├── AdaGrad类 AdaGrad方法 └── SGD类 随机梯度下降法 ├── network.py 主程序，将所有其它模块连接起来 └── NeuralNetwork类 神经网络总类 ├── test 模型测试 ├── loadAndTest 加载已经训练好的模型然后测试 ├── runNetWork 训练模型 ├── predict 所有网络层前向传播 ├── update 所有网络层反向传播并更新参数 ├── getParams 获取yaml配置文件参数 ├── saveParams 保存训练好的参数模型 ├── getData 获取训练集和测试集 ├── getLayer 根据配置文件生成神经网络 └── getTrainData 随机抽取训练数据 ├── method.py 参数初始化方法 ├── ParamsInitBase类 参数初始化基类 ├── getParams 获取卷积层初始化参数，子类同 └── getAffineParams 获取Affine层初始化参数，子类同 ├── He 类 He方法初始化参数 └── Xavier类 Xavier方法初始化参数 ├── layer.py 神经网络层 ├── LayerBase类 神经网络层基类 ├── forward 前向传播，子类同 ├── backward 反向传播，子类同 ├── update 参数更新，子类同 ├── saveParams 参数保存，子类同 └── loadParams 参数加载，子类同 ├── AffineLayer类 └── ininParams 参数初始化 ├── ReluLayer类 ├── SoftMaxLayer类 ├── SoftMaxLossLayer类 └── cross_entropy_error 计算交叉熵 ├── ConvolutionLayer类 └── initParams 参数初始化 ├── PoolingLayer类 ├── DropOutLayer类 └── LayerFactory类 └── produce 根据神经网络层的名称和参数来构造类 ├── drawer.py 结果绘制 └── Drawer类 数据可视化类 ├── record 记录数据 └── plot 绘制数据 ├── dataset.py 获取数据集并且split好 └── DataPreparer类 数据准备类 ├── getData 加载数据并且划分测试集和训练集 └── get 外部获取数据接口 ├── analyser.py 模型分析 └── Analyser类 模型分析类 └── analyse 分析函数 具体流程 参数配置文件的加载 with open(params_path) as params_file: self.params = yaml.load((params_file)) 这里使用了yaml文件作为配置文件，原因是yaml文件结构比较简单简洁，可以清楚地表示出层次结构，通过参数文件的配置，可以不用修改源代码就可以配置出不同的神经网络，具体见下面layer生成的分析 加载数据集，分割训练集和测试集 使用sklearn 来获取数据集，并且进行分割 # 加载数据 digits_data, digits_target = load_digits( return_X_y=True) # 划分训练集和测试集 self.x_train, self.x_test, self.y_train, self.y_test = \ train_test_split(digits_data, digits_target, test_size=1-train_size_, train_size=train_size_, random_state=3, shuffle=True) layer的生成 def produce(self, layer: str, params_set) -> object: if params_set is None: params_set = {} return eval(layer)(**params_set) 这里利用eval动态生成构造信息，这样的话就可以根据配置文件的信息来动态生成类，也就是说网络选择哪些层，层的顺序是什么，只要符合一定的顺序(这个规则在yaml文件有写)，就可以构造网络并且顺利运行，所得到的层使用OrderDict按顺序存储 训练数据的提取 由于训练集数据并不多，如果仅仅利用这些数据训练的话，一定不够，所以采用了每次随机提取一个batch的数据的方案来进行训练，这样可以缓解数据集不足的问题 参数初始化方法 由于使用Relu函数作为激活函数，故参数初始化统一使用He方法，Xavier方法可选 神经网络的前向传播 根据 ConvolutionLayer -> ReluLayer -> PoolingLayer -> ConvolutionLayer -> ReluLayer -> PoolingLayer -> ConvolutionLayer -> ReluLayer -> DropOutLayer -> AffineLayer -> ReluLayer -> AffineLayer -> SoftMaxLossLayer 的顺序搭建网络，然后依次调用forward函数即可 AffineLayer的前向传播 由于传进的维度可能不是二维，所以首先要保存原来的维度信息，然后resize成二维矩阵 根据矩阵的乘法以及加法来计算前向传播值 ConvolutionLayer的前向传播 将图像卷积转化为易于矩阵相乘的形式 用相同与AffineLayer前向传播的方式计算 ReluLayer的前向传播 mask标记出小于零的项，然后使这些项等于0 PoolingLayer的前向传播 利用im2col将4个数放在同一行(2*2池化核的情况下) 计算每一行的最大值，保留最大值，其它全部删去，传播给下一层 保存最大值的索引，方便反向传播 DropOutLayer的前向传播 训练模式下，删去部分神经元，即将参数设置为0，传播给下一层 测试模式下，将每一个神经元参数下降一定比例 SoftMaxLossLayer的前向传播 利用SoftMax层进行计算,得到前向传播的最终结果 对SoftMax层的计算结果利用交叉熵方法求loss 神经网络的反向传播 AffineLayer的反向传播 根据矩阵乘法求取梯度(这里不具体分析原因，需要用到矩阵论的知识) 矩阵乘法求取反向传播值，并且将值resize回原来的形状 ConvolutionLayer的反向传播 用同于计算AffineLayer反向传播的方法计算 将结果用col2im还原为原来图片的形状 ReluLayer的反向传播 使原来小于零的项反向传播值也为0 PoolingLayer的反向传播 使前向传播最大值处的梯度值保留，其余处的梯度值变为0 将矩阵使用col2im转化回原来的形式 DropOutLayer的反向传播 删除部分的神经元反向传播值为0 SoftMaxLossLayer的前向传播 公式 y-t 来进行计算 神经网络的参数更新 通过反向传播之后，我们获得了AffineLayer和ConvolutionLayer的梯度值，于是可以根据这些梯度值对参数进行更新，更新方法有两种可选： 随机梯度下降法，学习率恒定 AdaGrad：学习率会根据之前梯度的平方和来逐渐削弱 模型测试 x_test = self.x_test.reshape(-1, 1, 8, 8) x_predict = self.predict(x_test) predict_y = np.argmax(x_predict, axis=1) 参数保存 通过调用每一层的saveParams()函数，