matlab+BP神經網路實現手寫體數字識別
個人部落格文章連結：http://www.huqj.top/article?id=168
接著上一篇所說的 BP神經網路，現在用它來實現一個手寫體數字的識別程式，訓練素材來自吳恩達機器學習課程，我把打包好上傳到了網盤上：
| 1 2 |
|
訓練資料一共有5000條，10個數字（0~9，為了和matlab適配，0在這裡統一用10表示），每個數字各500個手寫體圖片，畫素統一處理為20*20，其中pics中是5000張圖片， data是一個.mat檔案，可以直接載入到matlab中，包含兩個變數X(5000x400 double矩陣)和y(5000x1 int矩陣)。
可以看到，訓練資料的輸入是400個畫素點的灰度值，雖然圖片是20x20的，但是為了處理方便將其轉換成1x400的輸入，可以用matlab中的reshape函式進行轉換。而對於輸出而言，這可以看作一個多元分類問題，一共有10種分類，所以輸出可以轉換成一個10維向量。定義好輸入輸出格式之後，再考慮下神經網路的架構，平衡效能和效率，最終選擇的架構是一個25元隱含層的BP網路。另外，為了衡量最終的模型效果，我們需要從5000個數據中抽取一部分作為測試集，這裡我每個數字選了10條資料作為測試資料集，不過理論上訓練集和測試集的比例可以達到 7:3
利用之前編寫好的BP網路訓練函式和一些附加函式（sigmoid，預測函式等），最終的手寫體識別訓練程式如下：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 |
|
因為一開始不知道要迭代多少次，所以設定成了一個迴圈的結構，可以根據訓練誤差決定繼續訓練或者結束訓練，然後將模型權重儲存下來，下次可以接著訓練。
如果想要在matlab中畫出圖片，可以將這一行的註釋去掉：
| 1 |
|
然後繪出所有測試集的圖片如下：
執行程式反覆迭代上萬次之後，在測試集上的準確率穩定在92%左右，這可能也是受模型和資料集的限制。而且這個模型只是用於黑底白字的圖片，用我自己的手寫數字測試效果並不太好（可能與我的圖片處理有關），最高只能達到 7/10 的準確率，後續會持續考慮改進模型。
完整程式碼下載地址： https://download.csdn.net/download/qq_32216775/10897369