文章目录
前言使用步骤识别结果前言
利用MATLAB实践MNIST手写数字识别，下载手写数据集的准备有点麻烦。 MATLAB 2021版可以直接调用MNIST的部分数据进行CNN手写数字识别实践。 直接乘坐程序。
一、使用步骤1 .培训、测试及保存网络代码如下(
%CNN手写数字识别程序% $ 2021/8/6 Gavin $ % % matlabtrainnetwork (请参阅)帮助文档(3359 blog.csdn.net/weixin _ 43935696/) 111992192%%读取MATLAB附带的数字图像数据集，数据集有10000张0-9图像。 每个数字都有1000张图像digitdatasetpath=full file (mat lata ) imds=image datastore (digitdatasetpath，' FileExtensions '， { ' } %counteachlabel(imds ) )显示标签文件夹和其中的文件数。 10 * 2表) a=自述(imds，1 )； %读取数据集的第一个图像%whos a %查看图像数据结构和数据类型： 28x28，uint8figurenumImages=10000； perm=randperm(numimages，20 )； %随机选择20个，perm为1*20double序列for i=1:20 %该循环为MATLAB附带的样品subplot (4，5，I )； imshow(imds.files{perm(I ) }； %显示随机选择的20张图像drawnow； endnumTrainingFiles=750； %每个数字图像文件夹中的1000张图像中有750张将用于培训[imdsTrain，IMDstest]=spliteachlabel(IMDS，numTrainingFiles，' randomize %%将每个标签文件夹中的文件随机分为两组，750个为imdsTrain，其余为imdsTest%%的常规CNN网络layers=[ imageInputLayer([28 28 1]，' ) ' Padding '，' same ' ) batchnormalizationlayer '，' Name '，' bn1 ' ) relulayer '，' relu1' ) maxpoolayer 'pool1' ) cood ' conv2 ' ) batchnormalizationlayer ) (Name )、' Stride '、2、' Name '、' pool2' ) convolution 2d layer (3，32，' paddidior ) ' conv3 ' ) Batchnoror 'relu3' ) fullyconnectedlayer(10，' Name '，' fullc ' ) softmaxlayer ) Name )，' soft ' ) clasisier soft ) ) clamationlayer652 %%改进的LeNet-5网络% layers=[ . % imageinputlayer ] [ 28281 ]、' Name '和' image input ' same ' ) %tanhlayer('Name )、' tanh1 ) %maxpooling2dlayer([2]、' name )、' maxpool1'、' Stride )、[2] con fc1 ' ) %fullyconnectedlayer(84，' Name '，' fc2 ' ) fullyconnectedlayer (10，' Name '，' fc ' ) %softmaxlayer )。 图形； plot(layergraph ) layers ) %网络图选项=training选项(' sgdm '， %MATLAB示例优化器' LearnRateSchedule '，) . LearnRateDropPeriod '，5， MaxEpochs '，20， %学习整个数据集的最大次数' MiniBatchSize '，128， %每个batch有128个采样% save minist _ le net5 netsavezzg _ CNN _1nety pred=classify (net，imdsTest )； %测试集中包含网络预测结果YTest=imdsTest.Labels； accuracy=sum(ypred==ytest )/numel ) ytest； %网络测试集中的精度磁盘(accuracy )； %0.9936，训练需要10'54'%LeNet-5:精度0.9820，训练需要7'40' 2小时。 手写数字识别码如下(
%测试自己写在图画书上的数字%load Minist_LeNet5 net； %已培训的LeNet5网络load zzg_cnn_1 net %已培训的CNN网络imds _ zzg=image datastore (f : (2021 MATLAB ) shouxieees ' IncludeSubfolders '，false， ' LabelSource '，' foldernames ' )； len=numel(imds_zzg.files )； %读取imds_zzg中的文件数% len=length (读取所有) imds_zzg )； imds_zzg的文件数figure('name '、' CNN手写数字识别、版权所有：周志刚、' NumberTitle '、' off ' )； fori=1: lentest _ image=readimage (imds _ zzg，I )； %导入手写数字图像subplot(8、5、I )； imshow(imds_zzg.files{I}； pause(1) %drawnow； shape=size(test_image； dimension=numel(shape； if dimension2test _ image=RGB2gray (test _ image； %灰度化end test _ image=im resize (test _ image，[ 28，28 ]； %保修输入为28 * 28 test _ image=im complement (test _ image )； 反转%并输入网络时，确保图像背景为黑色，数字部分为白色的result=classify(net，test_image )。 结果(disp )； 在命令窗口中显示%识别结果title ([ ' CNN识别结果： ' char ) result )在手写数字图像标题中显示识别结果end二识别结果