一、實驗內容：搜集實驗數據，借助前饋神經網路實現簡單的手寫漢字辨識并進行一定的改進（和仿射變換擴充數據集）。二、實驗數據：搜集來自互聯網和現實生活中的手寫漢字圖片，包含繁簡體、不同大小、不同背景的圖片。并借助文件名進行相應標記。其中訓練集包含圖片150張，測試集包含圖片50訓練集截圖測試集截圖三、實驗原理：1）深度學習：深度學習就能模擬視覺感知系統的層次結構，通過構建包含有多個隱藏層結構的機器學習模型，對大量數據的訓練得到更為有用的特點。該模型起源于神經網路，是一種深層次非線性網路結構，通過這一非線性結構更優地迫近復雜函數，深層的結構使深度學習具有極強的抒發能力和學習能力，當它用于處理圖象時，才能學習到圖象的“部分-整體”的分解關系，它在人臉辨識、字符辨識、圖像去噪等方面取得了遠優于傳統淺層神經網路的結果。2）前饋神經網路：前饋神經網路是一種典型的深度學習模型，它借助空間相對關系降低參數數量以提升訓練性能，是第一個真正獲得成功的深度構架。前饋神經網路可以辨識有變換的模式，具有一定的魯棒性（抗變換性），并已成功應用于人臉辨識、車牌辨識、行為辨識、語音辨識和圖象分類等計算機視覺的研究領域。
CNN的基本結構由輸入層、卷積層、池化層（俗稱采樣層）、全聯接層及輸出層構成，頻域層和池化層通常會取若干個，采用頻域層和池化層交替設置。（多層感知器結構）。在CNN結構中高中物理實驗平行四邊形實驗報告單，深度越深、特征面數量越多，則網路才能表示的特點空間也就越大，網路學習能力也越強，但是也會使網路的估算更復雜，極易出現過擬合的現象。CNN的本質就是每一個頻域層包含一定數目的特點面或則頻域核。與傳統MLP（多層神經網路）相比高中物理實驗平行四邊形實驗報告單，CNN中頻域層的殘差共享使網路中可訓練的參數變少，增加了網路模型復雜度，降低過擬合，因而獲得了一個更好的泛化能力。同時，在CNN結構中使用池化操作使模型中的神經元個數大大降低，對輸入空間的平移不變性也更具有魯棒性。但是CNN結構的可拓展性很強，它可以采用很深的層數，而深度模型具有更強的抒發能力，它還能處理更復雜的分類問題。3）仿射變換：拉伸、收縮、扭曲、旋轉是圖象的幾何變換，在三維視覺技術中大量應用到這種變換，又分為仿射變換和透視變換。仿射變換一般用單應性建模，借助解決密集映射，用解決稀疏映射。仿射變換可以將圓形轉換成平行四邊形，它可以將圓形的邊壓扁但必須保持邊是平行的，也可以將菱形旋轉或則按比列變化。
透視變換提供了更大的靈活性，一個透視變換可以將矩陣轉弄成矩形。其實，平行四邊形也是矩形，所以仿射變換是透視變換的子集。4）:典型的神經網路其訓練流程是將輸入通過網路進行正向傳導，之后將偏差進行反向傳播。就是針對這一過程之中，隨機地刪掉隱藏層的部份單元，進行上述過程，其具體步驟如下：1.隨機刪掉網路中的一些隱藏神經元，保持輸入輸出神經元不變；2.將輸入通過更改后的網路進行前向傳播，之后將偏差通過更改后的網路進行反向傳播；3.對于另外一批的訓練樣本，重復上述操作1.大量實驗論證發覺，可以比較有效地減少過擬合的發生，一定程度上達到了正則化的療效。四、實驗源代碼：'/''/'m=18n=18g=.():.(+,0)#注意路徑問題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，設定(X,Y,,):):start*