《人工智能导论》实验2 多层感知机（MLP）手写数字识别

实验2多层感知机（MLP）手写数字识别一、实验目的及要求掌握使用scikit-learn构建多层感知机（MLP）分类器的方法。理解图像数据预处理流程：尺寸统一、像素归一化、展平与标签编码。掌握MLP的核心超参数：隐藏层结构、激活函数、优化器、学习率、迭代次数、早停等。能够绘制训练/验证损失曲线，识别过拟合与欠拟合现象。理解全连接神经网络处理图像时的局限：参数量大、忽略空间结构。二、实验学时3学时（建议时间分配：讲解15分钟，任务实践130分钟，总结报告15分钟）三、实验前准备软件环境：Python3.8及以上，建议使用JupyterNotebook或VSCode。依赖库：NumPy、Matplotlib、scikit-learn。安装命令如下：pipinstallnumpymatplotlibscikit-learn知识储备：已学习教材第5.3节（前馈神经网络与MLP）内容。数据准备：实验使用scikit-learn内置的load_digits手写数字数据集（8×8像素，1797张），无需联网下载；课后可尝试替换为MNIST数据集。在JupyterNotebook中运行绘图代码前，建议先执行`%matplotlibinline`，以保证图像正常显示。四、实验任务任务1加载与预处理手写数字数据（20分钟）使用sklearn.datasets.load_digits加载手写数字数据集；将像素值除以16进行归一化；数据集本身已是展平的64维向量；将标签转换为整数类型。任务2划分训练集与测试集（10分钟）按8:2划分训练集与测试集。任务3构建与训练MLP模型（40分钟）使用MLPClassifier构建一个具有两个隐藏层的网络（128→64），选择ReLU激活函数和Adam优化器。任务4模型评估与可视化（30分钟）计算测试集准确率、绘制混淆矩阵；随机抽取若干测试样本，对比真实标签与预测结果；可视化部分预测错误的8×8样本。任务5超参数对比实验（30分钟）分别改变隐藏层大小、激活函数、学习率等超参数，观察对训练过程和最终准确率的影响，填写对比表。参考代码以下为完整可运行代码。完整训练通常只需数秒到十几秒，请耐心等待：#实验七：多层感知机（MLP）手写数字识别

importwarnings

warnings.filterwarnings('ignore')

importnumpyasnp

importmatplotlib.pyplotasplt

fromsklearn.datasetsimportload_digits

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.neural_networkimportMLPClassifier

fromsklearn.metricsimportaccuracy_score,confusion_matrix,classification_report

#设置中文字体

plt.rcParams['font.sans-serif']=['SimHei','MicrosoftYaHei','ArialUnicodeMS']

plt.rcParams['axes.unicode_minus']=False

#1.加载手写数字数据集（load_digits为scikit-learn内置数据集，无需联网）

print("正在加载手写数字数据集...")

digits=load_digits()

X=digits.data.astype('float64')/16.0#像素值范围0-16，归一化到[0,1]

y=digits.target

print(f"样本数:{X.shape[0]},特征维度:{X.shape[1]},类别数:{len(np.unique(y))}")

#2.划分训练集与测试集

X_train,X_test,y_train,y_test=train_test_split(

X,y,test_size=0.2,random_state=42,stratify=y

)

print(f"训练样本数:{X_train.shape[0]},测试样本数:{X_test.shape[0]}")

#3.构建MLP模型

mlp=MLPClassifier(

hidden_layer_sizes=(128,64),

activation='relu',

solver='adam',

learning_rate_init=0.001,

max_iter=30,

early_stopping=False,

random_state=42,

verbose=True

)

print("\n开始训练MLP...")

mlp.fit(X_train,y_train)

#4.评估

y_pred=mlp.predict(X_test)

acc=accuracy_score(y_test,y_pred)

print(f"\n测试集准确率:{acc:.4f}")

print("\n分类报告:")

print(classification_report(y_test,y_pred))

#5.绘制训练损失曲线

plt.figure(figsize=(12,5))

plt.subplot(1,2,1)

plt.plot(mlp.loss_curve_,label='训练损失')

plt.xlabel('迭代轮次')

plt.ylabel('损失')

plt.title('MLP训练过程')

plt.legend()

plt.grid(True)

plt.subplot(1,2,2)

cm=confusion_matrix(y_test,y_pred)

plt.imshow(cm,cmap='Blues')

plt.colorbar()

plt.xlabel('预测标签')

plt.ylabel('真实标签')

plt.title('混淆矩阵')

plt.show()

#6.可视化预测错误的样本

errors=np.where(y_pred!=y_test)[0]

print(f"预测错误样本数:{len(errors)}")

plt.figure(figsize=(10,4))

fori,idxinenumerate(np.random.choice(errors,min(8,len(errors)),replace=False)):

plt.subplot(2,4,i+1)

plt.imshow(X_test[idx].reshape(8,8),cmap='gray')

plt.title(f"真实:{y_test[idx]},预测:{y_pred[idx]}")

plt.axis('off')

plt.suptitle('部分预测错误的样本')

plt.tight_layout()

plt.show()预期结果（参考）在1,437条训练样本上训练30个epoch，测试集准确率通常可达0.96–0.98。训练损失曲线应持续下降；若准确率仍不高，可适当增加epoch或增大网络规模。混淆矩阵主对角线颜色最深，说明大多数样本被正确分类；错误样本多为字形相近的数字（如4与9、3与8）。超参数对比表请在下表中填写不同超参数组合下的结果：超参数组合训练时间测试准确率观察与结论hidden=(256,128),relu,adam基线模型hidden=(128,64),relu,adam网络容量减小hidden=(256,128),tanh,adam更换激活函数hidden=(256,128),relu,sgd更换优化器learning_rate_init=0.01学习率增大五、实验重点、难点重点：MLP的构建流程、图像数据归一化与展平、训练/验证损失曲线的解读。难点：理解隐藏层数量与神经元数量对模型容量的影响；识别过拟合与欠拟合；理解全连接网络处理图像时参数量过大的问题。六、操作要点本实验使用scikit-learn内置的load_digits数据集，无需联网下载；课后可尝试替换为MNIST等更大规模数据集。为控制训练时间，课堂演示时可直接使用全部1,437条训练样本；课后可尝试更大规模的手写数字数据。建议记录每次实验的运行时间和最终准确率，便于超参数对比。若出现内存不足，可减少训练样本量或缩小隐藏层规模。七、注意事项MLP将图像展平为向量，丢失了像素间的空间关系，因此参数量大且对平移、旋转的鲁棒性较弱。训练神经网络需要一定时间，不要在课堂上临时安装大型依赖包。测试集只能用于最终评估，不能用于选择模型或调整超参数。早停法使用验证集