简介

改代码设计了一个四层卷积神经网络用以识别MNIST数据集，最终训练的得的结果中，单个网络在测试集上可到到最高99.67%的识别率，通过级联九个神经网络，可以使得测试集达到99.7%的准确率 该网络体积小，30个epochs的训练可以达到99.67%的准确率，耗时4分钟左右。同时在代码中集成了tensorboard调参方法以及一个由PyQt5设计的APP

项目结构

文件

• cnnModel.py: 定义模型
• Mydataset.py:定义数据集以及dataloader，初次运行时请修改其中的DATASET_PATH以读取MNIST数据集
• Train.py: 训练模型，初次运行时请修改其中的SAVED_PATH指定模型保存地址
• Test.py: 测试模型在训练集准确率,初次运行时请修改其中的path指定模型地址。调用SingleTest():进行单模型测试，调用CombinationTest():进行模型级联测试
• ConfusuinMatrix.py: 绘制单个模型的混淆矩阵
• Predict.py: 用以预测单幅图像
• main_gui.py,widget.ui,ui_widget.py: GUI封装代码

文件夹

• Trained_models: 存放预训练的模型参数
• datasets: 存放MNIST数据集
• Images: 存放自己的手写数字图片

如何使用

如何预测

-Predict.py文件中，line24选择测图片即可

如何使用tensorboard进行调参训练

• pip install tensorboard
• 在Train.py中修改 TestParameters，往列表中加入训练参数，代码会自动对所有可能的训练参数进行训练
• 训练结束后，在Anaconda Prompt中执行命令行 tensorboard --logdir=runs

如何启动GUI

• pip install PyQt5
• pip install PyQt5-tools
• 运行文件main_gui.py

联系方式

• [email protected]