1.先看看识别效果：

这个程序识别的是0~9的一组手写数字，这是最终的识别效果，为1，代表识别成功，0为失败。

然后数据源是：ds = deeplake.load('hub://activeloop/optical-handwritten-digits-train')里面是一组压缩存储的32*32 bits 0-1点阵，内容是0~9的数字的手写数据。我训练了150次，最终达到的效果。

模型非常简单：

        x = self.conv1(x)
        x = self.relu(x)
        x = self.conv2(x)
        x = self.relu(x)
        x = self.pool2d(x)
        #x = self.drop(x)
        x = x.view(-1)
        x = self.fc1(x)
        x = self.relu(x)
        x=self.fc2(x)

其中两级卷积层，然后是一个池化层，然后是两组连接层映射，最终到达一组prob数据，它是一个长度10的向量，相当于一个分类识别的概率结果。

现在，我大概也能处理yolo那组数据集，会慢，准确率和效率可能都不高，但是我能利用这种手工搭建模型的机制做成。这个模型和yolo的目标基本一致，yolo多了多目标识别，最终链接层的output会更复杂。

这个任务数据量不大，容易处理。训练速度很快，这一次的代码，基本上完全是自己写的。160行。工程上用到的一些信号分析类学习任务，大多与此规模相当，只是标注、训练。

最终的模型参数大小我没有看，待会儿可以输出看一下。

2.源码：

GitCode - 全球开发者的开源社区,开源代码托管平台