基于MATLAB的卷积神经网络（CNN）实现手写数字识别

基于MATLAB的卷积神经网络（CNN）实现手写数字识别：

1. 准备工作空间

clc;
clear all;
close all;

2. 导入数据

假设你已经下载了MNIST手写数字数据集，并将其解压到当前工作目录下的HandWrittenDataset文件夹中。

digitDatasetPath = fullfile('./', 'HandWrittenDataset');
imds = imageDatastore(digitDatasetPath, 'IncludeSubfolders', true, 'LabelSource', 'foldernames');

% 数据集图片个数
countEachLabel(imds);

numTrainFiles = 17; % 每个数字有22个样本，取17个样本作为训练数据
[imdsTrain, imdsValidation] = splitEachLabel(imds, numTrainFiles, 'randomize');

% 查看图片的大小
img = readimage(imds, 1);
size(img);

3. 定义卷积神经网络的结构

layers = [
    imageInputLayer([28 28 1]) % 输入层
    convolution2dLayer(5, 6, 'Padding', 2) % 卷积层
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2) % 池化层

    convolution2dLayer(5, 16)
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)

    convolution2dLayer(5, 120)
    batchNormalizationLayer
    reluLayer

    fullyConnectedLayer(10) % 全连接层
    softmaxLayer
    classificationLayer
];

4. 训练神经网络

% 设置训练参数
options = trainingOptions('sgdm', ...
    'MaxEpochs', 50, ...
    'ValidationData', imdsValidation, ...
    'ValidationFrequency', 5, ...
    'Verbose', false, ...
    'Plots', 'training-progress'); % 显示训练进度

% 训练神经网络，保存网络
net = trainNetwork(imdsTrain, layers, options);
save('CSNet.mat', 'net');

5. 使用网络进行分类并计算准确性

% 手写数据
YPred = classify(net, imdsValidation);
YValidation = imdsValidation.Labels;

% 计算正确率
accuracy = sum(YPred == YValidation) / numel(YValidation);

% 绘制预测结果
figure;
nSample = 10;
ind = randperm(size(YPred, 1), nSample);
for i = 1:nSample
    subplot(2, fix((nSample + 1) / 2), i);
    imshow(char(imdsValidation.Files(ind(i))));
    title(['预测：' char(YPred(ind(i)))]);
    if char(YPred(ind(i))) == char(YValidation(ind(i)))
        xlabel(['真实：' char(YValidation(ind(i)))]);
    else
        xlabel(['真实：' char(YValidation(ind(i)))], 'Color', 'r');
    end
end

项目 ：在MATLAB中利用卷积神经网络实现手写数字的识别 www.youwenfan.com/contentcnd/95846.html

6. 事项

• 如果你的MATLAB版本较旧，可能需要手动下载MNIST数据集并进行预处理。
• 在训练过程中，可以根据训练进度图调整训练参数，如学习率、批大小等。
• 为了提高模型的泛化能力，可以尝试使用数据增强技术。