基于CNN的手写数字识别

本项目的卷积神经网络使用C语言构建，包括前向传播和反向传播，可对手写数字体进行有效识别

介绍

• 数据集使用MNIST数据集中的一小部分数据，大小为30x30，通道数为1，包含300张训练集与10张测试集
• 网络结构包括双通道的三层卷积和单通道的三层全连接。卷积操作使用的kernel为3x3，最后输出24x24的特征图；全连接首先将双通道的特征图扁平化到1x1152，而后降维到180->45->10，最后利用softmax输出10种类别的概率

环境依赖

• C/C++ 1.7.0

训练

• 训练前确保数据已经存放在Training_set目录下
  • 若希望采用预训练的网络参数，则输入y，否则输入n。
  • 输入训练的轮次，键入之后进入训练阶段，网络进行监督训练，通过后向传播进行参数的调整，使损失函数降低。
  • 训练过程：网络每10轮输出网络的训练信息，包括训练进度、交叉熵损失与学习率。

测试结果

• 网络会读入训练过程中的最优参数进行测试，对测试集下的0-9的手写数字进行识别

参考

1. 反向传播
2. 卷积核求导