【B428】基于Matlab卷积神经网络(CNN)手写数字识别

2022-09-22 16:00:58      索炜达电子      277     

文件编号:B428

文件大小:10M

开发环境:Matlab2020

猿创承诺:该项目亲测正常运行,需远程调试部署需另外收费,确保正常使用,不能正常使用全额退款。

简要概述:我们用的双层卷积神经网络,后向传播用的是随机梯度下降及其优化版本

函数说明:

read_label和read_image分别为读取标签和图像数据点的函数

convolve是实现卷积的函数,pool是实现池化的函数

SGD_MSGD是主函数,可以直接运行得到答案(把minibatch设为1就是SGD,大于1就是MSGD)

OPTIMAL是优化版的主函数,可以直接运行得到答案

OPTIMAL_FINALE是最终优化版的主函数,可以直接运行得到答案

toolbox是用工具箱函数写的CNN,可以直接运行得到答案

运行效果对比:(toolbox函数一直没变,只是改了minibatch来和自己的算法对比)

(在文件夹“实验图”和我们的报告里都有相应的图)

1.

SGD:(最基本的随机梯度下降,每输入一个图像就更新一次)

经过三轮训练,准确率97.99%(耗时较长)

toolbox:

minibatch=1,经过三轮训练,准确率94.05%(不建议尝试,这个耗时90分钟)

2.

MSGD:(增加了minibatch,改为对minibatch随机梯度下降)

minibatch=150,经过三轮训练,准确率93.74%

toolbox:(minibatch=150)

minibatch=150,经过三轮训练,准确率98.36%(调整初始学习率之后)

3.

优化版本OPTIMAL:(在修改版基础上加了动量和权重衰减)

minibatch=150,经过三轮训练,准确率97.91%

toolbox:

minibatch=150,经过三轮训练,准确率98.36%(调整初始学习率之后)

4.

(1)

最终优化版本OPTIMAL_FINALE:(在修改版基础上加了Adam算法,可以自动调整学习率)

minibatch=150,经过三轮训练,准确率98.02%

toolbox:

minibatch=150,经过三轮训练,准确率98.36%(调整初始学习率之后)

(2)

最终优化版本OPTIMAL_FINALE:(在修改版基础上加了Adam算法,可以自动调整学习率)

minibatch=200,经过三轮训练,准确率98.38%

toolbox:

minibatch=200,经过三轮训练,准确率98.32%(调整初始学习率之后)

按需写作:

【B428】基于Matlab卷积神经网络(CNN)手写数字识别

演示视频:

【B428】基于Matlab卷积神经网络(CNN)手写数字识别

点击查看:系统演示视频

运行效果: 

【B428】基于Matlab卷积神经网络(CNN)手写数字识别

CNN

【B428】基于Matlab卷积神经网络(CNN)手写数字识别

CNN_SGD

【B428】基于Matlab卷积神经网络(CNN)手写数字识别

CNN150

【B428】基于Matlab卷积神经网络(CNN)手写数字识别

Opt

【B428】基于Matlab卷积神经网络(CNN)手写数字识别

OPT150

【B428】基于Matlab卷积神经网络(CNN)手写数字识别

OPT200

【B428】基于Matlab卷积神经网络(CNN)手写数字识别

tool1501

【B428】基于Matlab卷积神经网络(CNN)手写数字识别

tool2001

【B428】基于Matlab卷积神经网络(CNN)手写数字识别

tool15001

【B428】基于Matlab卷积神经网络(CNN)手写数字识别

tool20001

远程协助:

温馨提示:索炜达.猿创官方提供收费远程协助,确保您项目运行成功。

点击查看:远程协助相关事项

我们提供完整项目文件清单如下:

文件目录

 ├ 1.项目源码

 ├ 2.运行截图

 └ 3.演示视频

TAG数字识别
  • 2 次
  • 600 分