摘 要

手写字符识别应用，能够将人手写字符识别出来，将手写的信息分类对比识别后转换成数字信息。单个手写数字0-9的识别是最基础的一种手写识别，也是目前计算机视觉、深度学习、模式识别等领域中的一个基础研究热点。手写识别的实现与印刷体识别的实现相比具有很大的区别，这是由两者的性质差别所导致的。印刷体因为具有字形规范，印刷统一的特点，不同的打印机、打印环境下的同一字体基本不会有很大的差别，因而印刷能够很容易很准确地识别出来。而手写体的情况则要复杂得多，手写体存在着由书写者习惯不同、书写环境不同、书写工具不同等诸多因素而导致的字形字体无统一规范的问题。因此，我们无法直接用识别印刷体的方法来对手写识别，否则将会出现识别错误甚至无法识别的情况。而基于深度学习的识别方法，能够为我们很好地解决手写体识别的问题。现在手写数字识别的较为广泛的深度学习实现方法是：运用神经网络模型对MNIST手写数字数据集进行训练。本课题分别使用了线性回归模型和卷积神经网络模型对MNIST手写数字数据集进行训练，建立模型，再利用测试数据集进行效果测试，最终移植到Web端实现了对手写体数字的识别。最终实验结果表明，卷积神经网络模型相较于传统的线性识别模型而言，拥有更高的准确率。

关键词： TensorFlow；手写数字识别；MNIST；卷积神经网络；CNN

Abstract

The application of handwritten character recognition can recognize the handwritten characters of people, and convert the handwritten information into digital information after classification, comparison and recognition. Single handwritten numeral 0-9 recognition is the most basic handwritten recognition, and it is also a basic research hotspot in computer vision, deep learning, pattern recognition and other fields. The realization of handwritten recognition is quite different from that of printed recognition, which is caused by the difference of their properties. Because of the characteristics of font standard and uniform printing, the same font in different printers and printing environments will not be very different, so printing can be easily and accurately identified. However, the situation of handwriting is much more complicated. There are many problems in handwriting, such as different habits of the writer, different writing environment, different writing tools and so on. Therefore, we can't directly use the method of printing recognition to recognize handwriting, otherwise there will be recognition errors or even unrecognizable situations. The recognition method based on deep learning can solve the problem of handwriting recognition for us. At present, the widely used in-depth learning method of handwritten digit recognition is to train MNIST handwritten digit data set with neural network model. In this paper, linear regression model and convolution neural network model are used to train MNIST handwritten numeral data set, establish the model, and then use the test data set for effect test. Finally, the handwritten numeral recognition is realized by transplanting to the web. The experimental results show that the convolutional neural network model has higher accuracy than the traditional linear recognition model.

Key Words：TensorFlow；Handwritten digit recognition；Convolutional Neural Network；MNIST

目录

第1章 绪论 1

1.1课题研究目的及意义 1

1.2国内外研究现状分析 1

1.3设计内容与目的 2

第2章 手写数字识别的基本原理及方法 3

2.1应用需求分析与设计概述 3

2.2相关框架、数据集、算法的原理介绍 3

2.2.1TensorFlow框架 3

2.2.2MNIST数据集 4

2.2.3Flask框架 4

2.2.4线性模型 5

2.2.5卷积神经网络模型 6

第3章 手写数字识别应用的设计 8

3.1开发环境搭建 8

3.2应用设计中具体方案选择 9

3.2.1用户界面 9

3.2.2机器学习网络模型 9

3.2.3代码结构 11

第4章 应用各模块作用与代码实现 12

4.1运行流程 12

4.2各模块代码实现 12

4.2.1定义卷积运算与线性运算的模块 12

4.2.2线性训练模型的模块 13

4.2.3训练卷积神经网络模型的模块 15

4.2.4接口处理模块 15

4.3运行效果展示 17

第五章 总结与展望 19

5.2总结 19

5.2展望 19

参考文献 22

致 谢 24

第1章 绪论

1.1课题研究目的及意义

人工智能的相关技术研究，在网络、电子等领域的科技飞速发展的近年，一直是一个高热度的研究领域。这点从近年来生活中的智能设备愈发丰富就能体现出来,我们生活中人脸识别支付、智能语音助手、快递自动分拣等事物都是其体现。而作为支撑人工智能的实现的一种重要方法——机器学习，自然也是从事人工智能行业的人们研究的一个中心。机器学习的核心是利用算法对数据进行分析，从中进行学习，从而对现实世界中的真实事件来做出相应的反应。机器学习明显要区别于传统的为了实现某一特定功能而进行的硬编程，它要倾向于，运用各种算法设计的模型，通过利用大量的数据来对机器进行“训练”，从而使机器能够学会如何完成任务。在机器学习中有一个全新的领域叫做深度学习，深度学习是一类模式分析方法的统称，它是一种通过对数据内容的内在规律、显现层次进行研究与分析的学习过程。经过学习的机器获得了类似于人的，对文字、图像、语音的“理解”能力。深度学习这一技术的发展使得机器能够一定程度上模仿人思考的能力，使得机器更进一步地接近了“人工智能”的概念。在人工智能行业蓬勃发展的今天，深度学习自然在研究领域也是十分火热卷积神经网络作为深度学习领域中的一种颇具代表性的算法，能够被十分广泛地运用在计算机视觉、自然语言处理等领域，因而非常具有研究意义。而本课题正是通过用卷积神经网络模型实现手写数字识别，从而达到学习、研究卷积神经网络的目的。

1.2国内外研究现状分析