摘要
针对试卷中的手写成绩识别问题,本文将在深度学习中使用卷积神经网络训练手写数字识别模型.使用卷积神经网络构建合理的模型结构,在卷积层中使用一定数量的卷积核(即过滤器),并使用训练数据使模型学习可以反映十个不同手写数字的卷积核心权重,最后通过全连接层使用softmax函数给出与每个数字的概率相对应的数字地图的预测概率.卷积神经网络用于在MNIST数据集上执行手写数字识别,并且手写数字图像被识别为数字标签.首先,对数据进行预处理.MNIST数据集包含60,000个训练数据和10,000个测试数据.数据由图像(数字图像)和标签(实数)组成.将数字图像的特征值转换为6000 x 28 x 28 x 1的二维矩阵.其次,通过使用深度学习框架Keras训练MNIST作为训练数据集来训练具有高识别率的模型,手写数字精度可以达到99％,效果很好.
NETL
NSTL
万方数据