# Digital recognition

**Repository Path**: wan_you_to/digital-recognition

## Basic Information

- **Project Name**: Digital recognition
- **Description**: 使用PyTorch实现的手写数字识别项目，基于MNIST数据集训练了一个卷积神经网络模型。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-05-10
- **Last Updated**: 2025-05-10

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 手写数字识别项目

这是一个使用PyTorch实现的手写数字识别项目，基于MNIST数据集训练了一个卷积神经网络模型。

## 项目结构

- `train.py` - 训练手写数字识别模型
- `predict.py` - 使用训练好的模型预测图像中的数字
- `download_mnist.py` - 直接下载MNIST数据集
- `visualize_mnist.py` - 可视化MNIST数据集中的样本
- `draw_and_predict.py` - 交互式绘图工具，可以绘制数字并进行实时预测

## 环境要求

- Python 3.6+
- PyTorch
- torchvision
- matplotlib
- numpy
- Pillow (PIL)
- tkinter (Python内置，用于交互式绘图工具)

可以使用以下命令安装所需依赖：

```bash
pip install torch torchvision matplotlib numpy pillow
```

## 使用说明

### 1. 下载数据集

运行以下命令直接下载MNIST数据集：

```bash
python download_mnist.py
```

### 2. 可视化数据集

查看MNIST数据集中的样本：

```bash
python visualize_mnist.py
```

这将生成多个图像文件，显示数据集中的随机样本和每个数字的样本。

### 3. 训练模型

运行以下命令开始训练模型：

```bash
python train.py
```

训练完成后，模型将保存为`mnist_cnn.pt`。同时会生成以下文件：
- `sample_digits.png` - 显示训练数据集中的一些样本
- `accuracy.png` - 显示训练过程中测试集准确率的变化

### 4. 预测图像

使用训练好的模型预测图像中的数字：

```bash
python predict.py
```

按照提示输入图像路径，程序将显示预测结果。

### 5. 交互式绘图和预测

启动交互式绘图工具，可以自己绘制数字并实时预测：

```bash
python draw_and_predict.py
```

使用方法：
- 在黑色画布上用鼠标绘制白色数字
- 调整画笔粗细
- 点击"预测"按钮进行识别
- 点击"清除"按钮清空画布
- 点击"保存"按钮保存当前绘制的图像

## 模型结构

该项目使用了一个简单的卷积神经网络(CNN)，结构如下：
- 2个卷积层
- 最大池化层
- 2个全连接层
- Dropout用于防止过拟合

## 性能

在MNIST测试集上，该模型通常可以达到约99%的准确率。