基于Keras和卷积神经网络CNN的手写数字识别研究

科技及信息化的应用在生活中随处可见,但也会带来一些问题,如手写试卷的文字识别精准度太低等。文章在深度学习中利用卷积神经网络完成手写数字识别模型的训练。为了构建出合理有效的模型结构,需要使用卷积网络在卷积层中安排适量的卷积核(也叫过滤器),并结合训练的数据得以让模型学习反映不同的手写数字卷积核心的10个卷积权重,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。卷积神经网络的应用是将手写数字图像转化为数字标签,在MINST数据集上实现数据识别。首先,对数据进行预处理,要对WNIST数据集中将近60000个训练数据和10000个测试数据进行分析计算。数据的组成结构分为图像(数字图像)和标签.(实数)两部分。用6000*28x28x的二维矩阵形式把数字识别特征值演示出来。其次,利用深度学习框架Keras的特性训练MINST数据集,最终生成高精度识别模型,可以使手写数字的识别精准度达到99%,识别效果和速率大大提高。