第29課 手寫數字識別（義務教育人工智能課件）

第29課手寫數字識別第六單元AI項目工坊義務教育信息科技課程資源

人工智能

第29課學習目標1學會構建一個簡單的人工神經網絡。學習目標學會利用訓練好的模型對手寫數字圖像進行識別。23掌握訓練模型的基本流程。第29課課堂導入問題情境我們之前已經學習過如何識別標準的LED數字。然而，在現實生活中，人們手寫的數字形狀多樣、筆畫粗細不一，遠比標準的LED數字復雜得多。如果繼續使用之前的方法進行識別，效果往往無法滿足實際需求。我們需要根據手寫數字的特點

，重新訓練一個專門用于識別手寫數字的模型。第29課學習內容一

準備數據三

訓練模型二

搭建人工神經網絡四

調用模型識別手寫數字學習內容一、準備數據第29課學習內容要訓練這樣的模型，需要大量的手寫數字圖像數據。為此，科研人員收集并整理了一些數據集，如MNIST手寫數字數據集。該數據集包含大量真實手寫數字的圖像，并被劃分為兩部分。一、訓練數據，用于訓練模型，幫助模型學習如何從圖像中提取特征并識別出對應的數字。二、測試數據，用于驗證模型的識別效果。一、準備數據第29課學習內容你知道數據集里的圖像內容和圖像特征嗎？運行配套資源中的《數據集查看器》軟件，選擇data文件夾，查看里面的訓練數據和測試數據，并回答后面的問題。一、準備數據第29課學習內容1.可以發現，這個數據集有_______條數據用于訓練，有______條數據用于測試，圖像的分辨率是_______。2.由此可以推測，神經網絡的輸入層可能需要_____________個輸入節點，輸出層可能需要_____個輸出節點。600001000028x2828x28（784）10搭建神經網絡，就是根據任務要求確定網絡層數、層類型及參數的過程。同時還需要設計各層之間的連接方式，使人工神經網絡能夠有效提取數據特征并完成推理。思考以下兩個問題：·手寫數字存儲在什么類型的媒體中？·根據之前所學，要提取此類媒體的特征，可以使用什么技術？二、搭建人工神經網絡第29課學習內容圖像文件卷積神經網絡二、搭建人工神經網絡第29課學習內容該人工神經網絡由三層組成：一個卷積層conv，兩個全連接層fc1和fc2。其中，卷積層負責從圖像中提取特征；全連接層負責整合提取到的特征，并最終將它們映射為0到9這十個數字類別的概率。classSimpleConvNet(nn.Module):def__init__(self):

super(SimpleConvNet,self).__init__()#卷積層，提取特征#輸入是1個通道（黑白圖）；輸出是8個通道，類似于用8種方式尋找特征

self.conv=nn.Conv2d(1,8,kernel_size=3,padding=1)#輸入為8×28×28大小的特征，輸出為128個通道的特征

self.fc1=nn.Linear(8*28*28,128)#用于分類#輸入為128個通道的特征；輸出為10個數字類別的概率self.fc2=nn.Linear(128,10)#負責根據輸入數據，輸出結果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、搭建人工神經網絡第29課學習內容卷積層全連接層全連接層28x28像素輸入圖像（1個通道）8個28x28特征圖（8個通道）8x28x28個參數...128個參數...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課學習內容三、訓練模型訓練過程可看作人工神經網絡的“學習”過程：通過大量已知類別的圖像，不斷調整參數，使網絡逐步提升對手寫數字的識別能力。注意，訓練模型通常比使用模型要耗費更多的算力，因此最好在高性能計算機系統中訓練模型。第29課學習內容三、訓練模型選擇合適的方式，利用數據訓練模型1.參照以下方法，獲得用于訓練的軟件或程序。方法一：利用人工智能模型生成訓練代碼。方法二：參考配套資源中的train.py程序。方法三：運行配套資源中的《神經網絡訓練器》軟件。第29課學習內容三、訓練模型訓練程序通常包含兩個核心函數：train和evaluate，它們分別用于模型的訓練階段和驗證階段。其中，train函數負責控制人工神經網絡基于訓練數據進行學習，即通過前向傳播計算預測結果，并利用損失函數衡量預測與真實標簽之間的誤差，再通過反向傳播自動調整網絡參數；而evaluate函數則是在每輪訓練后，使用一組獨立的驗證數據評估當前模型的性能，以判斷其泛化能力。第29課學習內容以《神經網絡訓練器》軟件為例。2.參照界面提示，選擇人工神經網絡和數據集后單擊“開始訓練”按鈕，觀察訓練過程中損失和準確率等指標的變化。3.單擊“保存模型”按鈕，將訓練后的模型保存起來。三、訓練模型第29課學習內容訓練指標中的損失反映了模型預測結果與真實標簽之間的差距，數值越低（最低為0）表示模型越準確；準確率則表示模型在測試數據中正確識別的比例。三、訓練模型第29課學習內容四、調用模型識別手寫數字

訓練結束后，可編程調用訓練得到的模型，對手寫數字進行識別。第29課學習內容四、調用模型識別手寫數字

配套資源提供了《手寫數字識別》軟件，運行后在右側畫板輸入數字，程序就可以將相應的數字識別出來。大家可以先用這個軟件體驗一下。每次都能識別對嗎？更換不同的模型，識別效果有什么不同？第29課學習內容四、調用模型識別手寫數字

#引入編程庫importosimportcv2importtorchfrommodelimportSimpleConvNet,ComplexNet,TinyNet#自動選擇可用的計算設備device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")#選擇神經網絡的類型model=SimpleConvNet()#加載訓練好的模型，注意修改模型的路徑model.load_state_dict(torch.load('models/digit_model.pth’))#把模型加載到運算設備中model.to(device)#test文件夾中放著很多手寫數字圖像forroot,dirs,filesinos.walk('test’):forfileinfiles:img_path=os.path.join(root,file)try:

#圖像轉換成灰度圖，像素值范圍0到255img=cv2.cvtColor(cv2.imread(img_path),cv2.COLOR_BGR2GRAY)

#確保圖像為黑白圖img=cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)[1]

#分辨率調整到28x28，與訓練數據保持一致img=cv2.resize(img,(28,28))

#根據圖像進行識別predicted,confidence=model.predict(img)print(f'{file}---{predicted}’)exceptExceptionase:print(f'{file}---預測失敗，錯誤:{e}')也可以參照配套資源中的程序，采用編程方式調用模型，進行手寫數字的識別。第29課學習內容四、調用模型識別手寫數字

經過充分訓練的模型，通常可以較好地識別圖像中的手寫數字。不過總有一些數字無法被模型正確識別出來，這與用于訓練模型的數據集、模型自身的結構、訓練過程等都有關系。

1.

MNIST數據集里有訓練數據和測試數據。訓練數據用于“教”模型識別數字，測試數據則用于“測”模型的學習成果。2.通過準備數據、搭建神經網絡、訓練模型、調用模型這幾個步驟能夠實現手寫數字的識別。3.訓練中的準確率和損失是兩個重要的訓練指標，共同用于評估模型的學習效果。第29課課堂總結第29課拓展與提升你是社區服務中心的一