第29课 手写数字识别（义务教育人工智能课件）

第29课手写数字识别第六单元AI项目工坊义务教育信息科技课程资源

人工智能

第29课学习目标1学会构建一个简单的人工神经网络。学习目标学会利用训练好的模型对手写数字图像进行识别。23掌握训练模型的基本流程。第29课课堂导入问题情境我们之前已经学习过如何识别标准的LED数字。然而，在现实生活中，人们手写的数字形状多样、笔画粗细不一，远比标准的LED数字复杂得多。如果继续使用之前的方法进行识别，效果往往无法满足实际需求。我们需要根据手写数字的特点

，重新训练一个专门用于识别手写数字的模型。第29课学习内容一

准备数据三

训练模型二

搭建人工神经网络四

调用模型识别手写数字学习内容一、准备数据第29课学习内容要训练这样的模型，需要大量的手写数字图像数据。为此，科研人员收集并整理了一些数据集，如MNIST手写数字数据集。该数据集包含大量真实手写数字的图像，并被划分为两部分。一、训练数据，用于训练模型，帮助模型学习如何从图像中提取特征并识别出对应的数字。二、测试数据，用于验证模型的识别效果。一、准备数据第29课学习内容你知道数据集里的图像内容和图像特征吗？运行配套资源中的《数据集查看器》软件，选择data文件夹，查看里面的训练数据和测试数据，并回答后面的问题。一、准备数据第29课学习内容1.可以发现，这个数据集有_______条数据用于训练，有______条数据用于测试，图像的分辨率是_______。2.由此可以推测，神经网络的输入层可能需要_____________个输入节点，输出层可能需要_____个输出节点。600001000028x2828x28（784）10搭建神经网络，就是根据任务要求确定网络层数、层类型及参数的过程。同时还需要设计各层之间的连接方式，使人工神经网络能够有效提取数据特征并完成推理。思考以下两个问题：·手写数字存储在什么类型的媒体中？·根据之前所学，要提取此类媒体的特征，可以使用什么技术？二、搭建人工神经网络第29课学习内容图像文件卷积神经网络二、搭建人工神经网络第29课学习内容该人工神经网络由三层组成：一个卷积层conv，两个全连接层fc1和fc2。其中，卷积层负责从图像中提取特征；全连接层负责整合提取到的特征，并最终将它们映射为0到9这十个数字类别的概率。classSimpleConvNet(nn.Module):def__init__(self):

super(SimpleConvNet,self).__init__()#卷积层，提取特征#输入是1个通道（黑白图）；输出是8个通道，类似于用8种方式寻找特征

self.conv=nn.Conv2d(1,8,kernel_size=3,padding=1)#输入为8×28×28大小的特征，输出为128个通道的特征

self.fc1=nn.Linear(8*28*28,128)#用于分类#输入为128个通道的特征；输出为10个数字类别的概率self.fc2=nn.Linear(128,10)#负责根据输入数据，输出结果defforward(self,x):x=F.relu(self.conv(x))x=x.view(-1,8*28*28)x=F.relu(self.fc1(x))x=self.fc2(x)returnF.log_softmax(x,dim=1)二、搭建人工神经网络第29课学习内容卷积层全连接层全连接层28x28像素输入图像（1个通道）8个28x28特征图（8个通道）8x28x28个参数...128个参数...0123456789xx=F.relu(self.conv(x))x=x.view(-1,8*28*a28)x=F.relu(self.fc1(x))x=self.fc2(x)returnF.log_softmax(x,dim=1)第29课学习内容三、训练模型训练过程可看作人工神经网络的“学习”过程：通过大量已知类别的图像，不断调整参数，使网络逐步提升对手写数字的识别能力。注意，训练模型通常比使用模型要耗费更多的算力，因此最好在高性能计算机系统中训练模型。第29课学习内容三、训练模型选择合适的方式，利用数据训练模型1.参照以下方法，获得用于训练的软件或程序。方法一：利用人工智能模型生成训练代码。方法二：参考配套资源中的train.py程序。方法三：运行配套资源中的《神经网络训练器》软件。第29课学习内容三、训练模型训练程序通常包含两个核心函数：train和evaluate，它们分别用于模型的训练阶段和验证阶段。其中，train函数负责控制人工神经网络基于训练数据进行学习，即通过前向传播计算预测结果，并利用损失函数衡量预测与真实标签之间的误差，再通过反向传播自动调整网络参数；而evaluate函数则是在每轮训练后，使用一组独立的验证数据评估当前模型的性能，以判断其泛化能力。第29课学习内容以《神经网络训练器》软件为例。2.参照界面提示，选择人工神经网络和数据集后单击“开始训练”按钮，观察训练过程中损失和准确率等指标的变化。3.单击“保存模型”按钮，将训练后的模型保存起来。三、训练模型第29课学习内容训练指标中的损失反映了模型预测结果与真实标签之间的差距，数值越低（最低为0）表示模型越准确；准确率则表示模型在测试数据中正确识别的比例。三、训练模型第29课学习内容四、调用模型识别手写数字

训练结束后，可编程调用训练得到的模型，对手写数字进行识别。第29课学习内容四、调用模型识别手写数字

配套资源提供了《手写数字识别》软件，运行后在右侧画板输入数字，程序就可以将相应的数字识别出来。大家可以先用这个软件体验一下。每次都能识别对吗？更换不同的模型，识别效果有什么不同？第29课学习内容四、调用模型识别手写数字

#引入编程库importosimportcv2importtorchfrommodelimportSimpleConvNet,ComplexNet,TinyNet#自动选择可用的计算设备device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")#选择神经网络的类型model=SimpleConvNet()#加载训练好的模型，注意修改模型的路径model.load_state_dict(torch.load('models/digit_model.pth’))#把模型加载到运算设备中model.to(device)#test文件夹中放着很多手写数字图像forroot,dirs,filesinos.walk('test’):forfileinfiles:img_path=os.path.join(root,file)try:

#图像转换成灰度图，像素值范围0到255img=cv2.cvtColor(cv2.imread(img_path),cv2.COLOR_BGR2GRAY)

#确保图像为黑白图img=cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)[1]

#分辨率调整到28x28，与训练数据保持一致img=cv2.resize(img,(28,28))

#根据图像进行识别predicted,confidence=model.predict(img)print(f'{file}---{predicted}’)exceptExceptionase:print(f'{file}---预测失败，错误:{e}')也可以参照配套资源中的程序，采用编程方式调用模型，进行手写数字的识别。第29课学习内容四、调用模型识别手写数字

经过充分训练的模型，通常可以较好地识别图像中的手写数字。不过总有一些数字无法被模型正确识别出来，这与用于训练模型的数据集、模型自身的结构、训练过程等都有关系。

1.

MNIST数据集里有训练数据和测试数据。训练数据用于“教”模型识别数字，测试数据则用于“测”模型的学习成果。2.通过准备数据、搭建神经网络、训练模型、调用模型这几个步骤能够实现手写数字的识别。3.训练中的准确率和损失是两个重要的训练指标，共同用于评估模型的学习效果。第29课课堂总结第29课拓展与提升你是社区服务中心的一