《AI硬件與Pyhthon編程實(shí)踐》14基于卷積神經(jīng)網(wǎng)絡(luò)的手寫體數(shù)字識(shí)別寫字字帖

基于卷積神經(jīng)網(wǎng)絡(luò)的

手寫體數(shù)字識(shí)別人工智能開源硬件與python編程實(shí)踐情境導(dǎo)入手寫識(shí)別能夠使用戶按照最自然、最方便的輸入方式進(jìn)行文字輸入，易學(xué)易用，可取代鍵盤或者鼠標(biāo)。把要輸入的漢字寫在一塊叫書寫板的設(shè)備上，這種設(shè)備將筆尖走過的軌跡按時(shí)間采樣后發(fā)送到計(jì)算機(jī)中，由計(jì)算機(jī)軟件自動(dòng)完成識(shí)別，并用機(jī)器內(nèi)部的方式保存、顯示。任務(wù)與目標(biāo)了解卷積神經(jīng)網(wǎng)絡(luò)CNN的基本原理、LeNet5相關(guān)算法和應(yīng)用框架；掌握運(yùn)用人工智能開源硬件及Caffe庫(kù)設(shè)計(jì)智能應(yīng)用系統(tǒng)的方法，掌握Python語言的編程方法；應(yīng)用人工智能開源硬件和相關(guān)算法設(shè)計(jì)一個(gè)基于ＣＮＮ的手寫體數(shù)字識(shí)別系統(tǒng)，實(shí)現(xiàn)對(duì)手寫體數(shù)字０～９的識(shí)別；針對(duì)生活應(yīng)用場(chǎng)景，進(jìn)一步開展創(chuàng)意設(shè)計(jì)，設(shè)計(jì)具有實(shí)用價(jià)值的手寫體數(shù)字識(shí)別應(yīng)用系統(tǒng)。知識(shí)拓展：卷積和子采樣

卷積過程就是用一個(gè)可訓(xùn)練的濾波器fx去卷積一個(gè)輸入的圖像（第一階段輸入圖像，后面的階段就是卷積特征map），然后加一個(gè)偏置bx，得到卷積層Cx。子采樣過程是指，鄰域四個(gè)像素求和變?yōu)橐粋€(gè)像素，然后通過標(biāo)量W加權(quán)，再增加偏置b，然后通過一個(gè)sigmoid激活函數(shù)，產(chǎn)生一個(gè)縮小四倍的特征映射圖Sx+1。知識(shí)拓展：機(jī)器學(xué)習(xí)與深度學(xué)習(xí)

深度學(xué)習(xí)的思想是模擬人的神經(jīng)元，每個(gè)神經(jīng)元接受到信息，處理完后傳遞給與之相鄰的所有神經(jīng)元。它是用于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，模仿人腦的機(jī)制來解釋數(shù)據(jù)，模仿大腦神經(jīng)元之間的信息傳遞。深度學(xué)習(xí)是一種深層的機(jī)器學(xué)習(xí)模型，其深度體現(xiàn)在對(duì)特征的多次變換上。與機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)方法使得很多應(yīng)用中不再需要單獨(dú)對(duì)特征進(jìn)行選擇與變換，而是將原始數(shù)據(jù)輸入到模型中，由模型通過學(xué)習(xí)給出適合分類的特征表示。知識(shí)拓展：使用Caffe工具訓(xùn)練CNN模型

數(shù)據(jù)準(zhǔn)備；生成訓(xùn)練數(shù)據(jù)的平均圖像；模型定義；求解器定義；模型訓(xùn)練；繪制學(xué)習(xí)曲線。知識(shí)拓展：LeNet-5模型

LeNet-5是一種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。LeNet-5誕生于1994年，是最早的深層卷積神經(jīng)網(wǎng)絡(luò)之一，開創(chuàng)了現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)的研究，推動(dòng)了深度學(xué)習(xí)的發(fā)展。最初被用于手寫數(shù)字識(shí)別，當(dāng)年美國(guó)大多數(shù)銀行就是用它來識(shí)別支票上面的手寫數(shù)字的，它是早期卷積神經(jīng)網(wǎng)絡(luò)中最有代表性的實(shí)驗(yàn)系統(tǒng)之一。設(shè)計(jì)與實(shí)踐應(yīng)用于手寫識(shí)別的LeNet5模型神經(jīng)網(wǎng)絡(luò)類的構(gòu)造方法手寫數(shù)字LetNet模型加載及識(shí)別編程實(shí)現(xiàn)及結(jié)果分析應(yīng)用于手寫識(shí)別的LeNet5模型LeNet5應(yīng)用于手寫體字符識(shí)別，網(wǎng)絡(luò)模型的結(jié)構(gòu)和應(yīng)用情況：神經(jīng)網(wǎng)絡(luò)類的構(gòu)造方法

nn.load(path)是構(gòu)造函數(shù)，它將神經(jīng)網(wǎng)絡(luò)從.network二進(jìn)制模型文件加載到內(nèi)存中，包括神經(jīng)網(wǎng)絡(luò)的層、權(quán)值、偏置等。返回一個(gè)可以在圖像上進(jìn)行操作的Net對(duì)象。net.forward(image[,roi[,softmax=False[,dry_run=False]]])方法用于在圖像roi上運(yùn)行神經(jīng)網(wǎng)絡(luò)，并返回神經(jīng)網(wǎng)絡(luò)分類結(jié)果的浮點(diǎn)值列表。net.search(image[,roi[,threshold=0.6[,min_scale=1.0[,scale_mul=0.5[,x_overlap=0[,y_overlap=0[,contrast_threshold=1[,softmax=False]]]]]]]])方法用來以滑動(dòng)窗口方式在圖像roi上運(yùn)行神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)檢測(cè)器窗口以多種比例滑過圖像。返回神經(jīng)網(wǎng)絡(luò)檢測(cè)結(jié)果的nn_class對(duì)象列表。2023/1/30手寫數(shù)字LetNet模型加載及識(shí)別

利用nn.load方法加載lenet5模型參數(shù)，利用net.forward方法實(shí)現(xiàn)搜索。進(jìn)行手寫體數(shù)字識(shí)別的核心Python代碼如下：importsensor,image,time,os,nn#Loadlenetnetworknet=nn.load('/work')labels=['0','1','2','3','4','5','6','7','8','9']out=net.forward(img.copy().binary([(150,255)],invert=True))max_idx=out.index(max(out))#指數(shù)

score=int(out[max_idx]*100)系統(tǒng)編程及實(shí)現(xiàn)

攝像頭捕捉到視頻圖像后，進(jìn)行手寫數(shù)字識(shí)別，疊加顯示出實(shí)時(shí)檢測(cè)出的手寫數(shù)字及得分情況：

分析與思考LeNet－5模型的訓(xùn)練方法，如何應(yīng)用在手寫字符的識(shí)別應(yīng)用中？請(qǐng)?zhí)岢瞿愕膶?shí)施方案，包括字符模型的訓(xùn)練過程。計(jì)算機(jī)視覺開源庫(kù)中通過人臉、人眼甚至的狗臉、貓臉的HaarCascade建模方法進(jìn)行檢測(cè)工作，請(qǐng)與LeNet－5等卷積神經(jīng)網(wǎng)絡(luò)方法做全面比較，分析在嵌入式系統(tǒng)中各自的特點(diǎn)。LeNe