数字识别 matlab代码

以下是一个简单的数字识别 Matlab 代码示例：

1. 加载和准备数据

首先，需要将数字图像数据集加载到 Matlab 中并将其转换为适当的格式，以便进行训练和测试。在此示例中，我们将使用 Mnist 数据集，其中包含手写数字的图像和相应的分类标签。

load mnist_train.mat % 加载训练集数据
load mnist_test.mat % 加载测试集数据

X_train = double(X_train)/255; % 将像素值映射到 [0, 1] 的范围
X_test = double(X_test)/255;

Y_train = categorical(y_train); % 将标签转换为分类数组
Y_test = categorical(y_test);

2. 创建模型

我们将使用卷积神经网络 (CNN) 模型来识别手写数字。CNN 是一种流行的神经网络架构，它以卷积层、池化层和全连接层为基础，可以自动学习图像特征并进行分类。

下面是一个简单的 CNN 模型示例：

layers = [imageInputLayer([28 28 1]) % 输入层，28x28 像素的灰度图像
convolution2dLayer(5, 20) % 卷积层，20 个 5x5 的卷积核
reluLayer() % Rectified Linear Unit 激活函数
maxPooling2dLayer(2) % 池化层，每个 2x2 区域取最大值
convolution2dLayer(5, 50)
reluLayer()
maxPooling2dLayer(2)
fullyConnectedLayer(500) % 全连接层，500 个神经元
reluLayer()
fullyConnectedLayer(10) % 输出层，10 个神经元对应 10 个类别
softmaxLayer()
classificationLayer()];

3. 训练模型

使用训练数据集和模型，可以执行模型训练并调整模型参数以最小化损失函数。在此示例中，我们将使用交叉熵损失和随机梯度下降优化器进行训练。

opts = trainingOptions('sgdm', % 随机梯度下降优化器
'InitialLearnRate', 0.01, % 初始学习率
'MiniBatchSize', 128, % 每个 mini-batch 的样本数量
'MaxEpochs', 20); % 最大迭代次数

trained_model = trainNetwork(X_train, Y_train, layers, opts); % 训练模型

4. 测试模型

在训练完成后，使用测试数据集评估模型的性能。在此示例中，我们将测量模型的分类准确性，即正确分类的图像数与总测试图像数的比率。

Y_pred = classify(trained_model, X_test); % 对测试图像进行分类预测

accuracy = sum(Y_pred == Y_test)/numel(Y_test); % 计算分类准确性

disp(['Test Accuracy: ', num2str(accuracy)]);

5. 预测新图像

最后，可以使用训练好的模型来预测新的手写数字图像。在此示例中，我们将首先加载并显示一些示例图像，然后将它们输入到经过训练的模型中，以预测它们所代表的数字。

load mnist_examples.mat % 加载示例图像
examples = double(examples)/255;

for i = 1:size(examples, 4)
subplot(1, size(examples, 4), i);
imshow(examples(:,:,:,i));
title(['Example ', num2str(i)]);

prediction = classify(trained_model, examples(:,:,:,i));
disp(['Example ', num2str(i), ' Prediction: ', char(prediction)]);
end

这些代码可用于加载 Mnist 数据集、创建 CNN 模型、训练模型、测试模型，并使用模型进行手写数字的分类预测。可以根据需要对其进行修改和优化。