一、实验内容：搜集实验数据，借助前馈神经网路实现简单的手写汉字辨识并进行一定的改进（和仿射变换扩充数据集）。二、实验数据：搜集来自互联网和现实生活中的手写汉字图片，包含繁简体、不同大小、不同背景的图片。并借助文件名进行相应标记。其中训练集包含图片150张，测试集包含图片50训练集截图测试集截图三、实验原理：1）深度学习：深度学习就能模拟视觉感知系统的层次结构，通过构建包含有多个隐藏层结构的机器学习模型，对大量数据的训练得到更为有用的特点。该模型起源于神经网路，是一种深层次非线性网路结构，通过这一非线性结构更优地迫近复杂函数，深层的结构使深度学习具有极强的抒发能力和学习能力，当它用于处理图象时，才能学习到图象的“部分-整体”的分解关系，它在人脸辨识、字符辨识、图像去噪等方面取得了远优于传统浅层神经网路的结果。2）前馈神经网路：前馈神经网路是一种典型的深度学习模型，它借助空间相对关系降低参数数量以提升训练性能，是第一个真正获得成功的深度构架。前馈神经网路可以辨识有变换的模式，具有一定的鲁棒性（抗变换性），并已成功应用于人脸辨识、车牌辨识、行为辨识、语音辨识和图象分类等计算机视觉的研究领域。
CNN的基本结构由输入层、卷积层、池化层（俗称采样层）、全联接层及输出层构成，频域层和池化层通常会取若干个，采用频域层和池化层交替设置。（多层感知器结构）。在CNN结构中高中物理实验平行四边形实验报告单，深度越深、特征面数量越多，则网路才能表示的特点空间也就越大，网路学习能力也越强，但是也会使网路的估算更复杂，极易出现过拟合的现象。CNN的本质就是每一个频域层包含一定数目的特点面或则频域核。与传统MLP（多层神经网路）相比高中物理实验平行四边形实验报告单，CNN中频域层的残差共享使网路中可训练的参数变少，增加了网路模型复杂度，降低过拟合，因而获得了一个更好的泛化能力。同时，在CNN结构中使用池化操作使模型中的神经元个数大大降低，对输入空间的平移不变性也更具有鲁棒性。但是CNN结构的可拓展性很强，它可以采用很深的层数，而深度模型具有更强的抒发能力，它还能处理更复杂的分类问题。3）仿射变换：拉伸、收缩、扭曲、旋转是图象的几何变换，在三维视觉技术中大量应用到这种变换，又分为仿射变换和透视变换。仿射变换一般用单应性建模，借助解决密集映射，用解决稀疏映射。仿射变换可以将圆形转换成平行四边形，它可以将圆形的边压扁但必须保持边是平行的，也可以将菱形旋转或则按比列变化。
透视变换提供了更大的灵活性，一个透视变换可以将矩阵转弄成矩形。其实，平行四边形也是矩形，所以仿射变换是透视变换的子集。4）:典型的神经网路其训练流程是将输入通过网路进行正向传导，之后将偏差进行反向传播。就是针对这一过程之中，随机地删掉隐藏层的部份单元，进行上述过程，其具体步骤如下：1.随机删掉网路中的一些隐藏神经元，保持输入输出神经元不变；2.将输入通过更改后的网路进行前向传播，之后将偏差通过更改后的网路进行反向传播；3.对于另外一批的训练样本，重复上述操作1.大量实验论证发觉，可以比较有效地减少过拟合的发生，一定程度上达到了正则化的疗效。四、实验源代码：'/''/'m=18n=18g=.():.(+,0)#注意路径问题None:.(img).(data_):.([1,0,0,0,0,0,0,0])elif"qian":.([0,1,0,0,0,0,0,0])elif"sun":.([0,0,1,0,0,0,0,0])elif"li":.([0,0,0,1,0,0,0,0])elif"zhou":.([0,0,0,0,1,0,0,0])elif"wu":.([0,0,0,0,0,1,0,0])elif"zheng":.([0,0,0,0,0,0,1,0])elif"wang":.([0,0,0,0,0,0,0,1])=list(zip(,)).()[:],[:]=zip(*).():.(os.path.join(,),None:.(img)#.(data[i]).(data_):.([1,0,0,0,0,0,0,0])elif"qian":.([0,1,0,0,0,0,0,0])elif"sun":.([0,0,1,0,0,0,0,0])elif"li":.([0,0,0,1,0,0,0,0])elif"zhou":.([0,0,0,0,1,0,0,0])elif"wu":.([0,0,0,0,0,1,0,0])elif"zheng":.([0,0,0,0,0,0,1,0])elif"wang":.([0,0,0,0,0,0,0,1])=np.array()print(.shape)=.(-1,=np.array()=.(-1,8)=np.array()=.(-1,m,n,1)=np.array()=.(-1,8)X=Y=defCNN(X,Y,,):使用MBGD算法，设定(X,Y,,):):start*