目录

一，模型训练

1.1 数据集介绍

1.2 CNN模型层结构

1.3 定义CNN模型

1.4 神经网络的前向传播过程

1.5 数据预处理

1.6 加载数据

1.7 初始化

1.8 模型训练过程

1.9 保存模型

二，模型测试

2.1 定义与训练时相同的CNN模型架构

2.2 图像的预处理

2.3 预测

三，测试

3.1 测试方法

3.2 测试结果

四 ，总结

五，完整代码

5.1 模型训练部分代码

5.2 模型测试部分代码

---

本实验直观地体现了CNN对比全连接对于图像处理的优势

全连接网络实现MNIST数字识别实验如下链接：

基于MNIST数据集的手写数字识别（简单全连接网络）-CSDN博客

---

一，模型训练

1.1 数据集介绍

        MNIST 数据集由 60,000 张图像构成的训练集和 10,000 张图像组成的测试集构成，其中的图像均为 28×28 像素的灰度图，涵盖 0 - 9 这 10 个阿拉伯数字，且数字书写风格、大小、位置多样。它源于美国国家标准与技术研究所（NIST）的数据集，经过归一化和中心化处理。MNIST 数据集是图像识别研究领域的经典数据集，常用于开发和评估图像识别算法与模型，也是机器学习课程中常用的教学案例，许多高性能卷积神经网络模型在该数据集测试集上准确率可达 99% 以上，充分展现出其在机器学习领域的重要价值和广泛应用。

1.2 CNN模型层结构

1.3 定义CNN模型

def __init__(self):
        super(CNN, self).__init__()  # 调用父类的初始化方法
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3)  # 定义第一个卷积层，输入通道1，输出通道32，卷积核大小3x3
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3)  # 定义第二个卷积层，输入通道32，输出通道64，卷积核大小3x3
        self.pool = nn.MaxPool2d(2, 2)  # 定义最大池化层，池化核大小2x2
        self.dropout1 = nn.Dropout2d(0.25)  # 定义第一个Dropout层，随机丢弃25%的神经元
        self.fc1 = nn.Linear(64 * 12 * 12, 128)  # 定义第一个全连接层，输入维度64*12*12，输出维度128
        self.dropout2 = nn.Dropout(0.5)  # 定义第二个Dropout层，随机丢弃50%的神经元
        self.fc2 = nn.Linear(128, 10)  # 定义输出层，输入维度128，输出维度10（对应10个数字类别）

        定义了一个用于手写数字识别的卷积神经网络（CNN）架构，专为 MNIST 等单通道图像分类任务设计。网络包含两个卷积层（Conv1 和 Conv2）进行特征提取，每个卷积层后接 ReLU 激活函数和最大池化层（MaxPool2d）进行下采样，逐步将 28×28 的输入图像转换为更高层次的抽象特征。为防止过拟合，在卷积层后添加了 Dropout2d (0.25)，在全连接层前使用 Dropout (0.5) 增强模型泛化能力。特征提取完成后，通过两次全连接层（FC1 和 FC2）将卷积输出的多维特征映射到 10 个类别，最终输出对应 0-9 数字的分类得分。

1.4 神经网络的前向传播过程

    def forward(self, x):
        # 第一层卷积+ReLU激活
        x = torch.relu(self.conv1(x))
        # 第二层卷积+ReLU激活+池化
        x = self.pool(torch.relu(self.conv2(x)))
        # 应用Dropout
        x = self.dropout1(x)
        # 将多维张量展平为一维向量(64*12*12)
        x = x.view(-1, 64 * 12 * 12)
        # 第一个全连接层+ReLU激活
        x = torch.relu(self.fc1(x))
        # 应用Dropout
        x = self.dropout2(x)
        # 输出层，得到未归一化的预测分数
        x = self.fc2(x)
        return x

1.5 数据预处理

transform = transforms.Compose([
    transforms.ToTensor(),  # 将图像转换为张量
    transforms.Normalize((0.1307,), (0.3081,))  # 使用MNIST数据集的均值和标准差进行归一化
])

1.6 加载数据

train_dataset = datasets.MNIST('data', train=True, download=True, transform=transform)  # 加载MNIST训练数据集
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)  # 创建数据加载器，批次大小为64，打乱数据

1.7 初始化

model = CNN()  # 创建CNN模型实例
criterion = nn.CrossEntropyLoss()  # 定义交叉熵损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)  # 定义Adam优化器，学习率为0.001

1.8 模型训练过程

def train(epochs):
    model.train()  # 设置模型为训练模式
    for epoch in range(epochs):  # 进行指定轮数的训练
        running_loss = 0.0  # 初始化本轮的损失累加器
        for batch_idx, (data, target) in enumerate(train_loader):  # 遍历数据加载器中的每个批次
            optimizer.zero_grad()  # 梯度清零
            output = model(data)  # 前向传播，计算模型输出
            loss = criterion(output, target)  # 计算损失
            loss.backward()  # 反向传播，计算梯度
            optimizer.step()  # 更新模型参数
            running_loss += loss.item()  # 累加当前批次的损失

            if batch_idx % 100 == 0:  # 每100个批次打印一次损失
                print(f'Epoch {epoch + 1}, Batch {batch_idx}, Loss: {loss.item():.6f}')

        print(f'Epoch {epoch + 1} completed, Average Loss: {running_loss / len(train_loader):.6f}')  # 打印本轮平均损失

1.9 保存模型

if __name__ == '__main__':
    train(epochs=5)  # 调用训练函数，训练5轮
    torch.save(model.state_dict(),'mnist_cnn_model.pth')  # 保存模型的参数
    print("模型已保存为: mnist_cnn_model.pth")  # 打印保存模型的信息

---

二，模型测试

2.1 定义与训练时相同的CNN模型架构

class CNN(nn.Module):
    def __init__(self):
        # 调用父类初始化方法
        super(CNN, self).__init__()
        # 第一个卷积层：输入1通道(灰度图)，输出32通道，卷积核3x3
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3)
        # 第二个卷积层：输入32通道，输出64通道，卷积核3x3
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3)
        # 最大池化层：核大小2x2，步长2
        self.pool = nn.MaxPool2d(2, 2)
        # Dropout层：训练时随机丢弃25%的神经元，防止过拟合
        self.dropout1 = nn.Dropout2d(0.25)
        # 第一个全连接层：输入维度64*12*12，输出128
        self.fc1 = nn.Linear(64 * 12 * 12, 128)
        # Dropout层：训练时随机丢弃50%的神经元
        self.dropout2 = nn.Dropout(0.5)
        # 输出层：输入128，输出10个类别(对应0-9数字)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        # 第一层卷积+ReLU激活
        x = torch.relu(self.conv1(x))
        # 第二层卷积+ReLU激活+池化
        x = self.pool(torch.relu(self.conv2(x)))
        # 应用Dropout
        x = self.dropout1(x)
        # 将多维张量展平为一维向量(64*12*12)
        x = x.view(-1, 64 * 12 * 12)
        # 第一个全连接层+ReLU激活
        x = torch.relu(self.fc1(x))
        # 应用Dropout
        x = self.dropout2(x)
        # 输出层，得到未归一化的预测分数
        x = self.fc2(x)
        return x

2.2 图像的预处理

def preprocess_image(image_path):
    """预处理自定义图像，使其符合模型输入要求"""
    # 打开图像并转换为灰度图(单通道)
    image = Image.open(image_path).convert('L')

    # 调整图像大小为28x28像素(如果不是)
    if image.size != (28, 28):
        image = image.resize((28, 28), Image.Resampling.LANCZOS)

    # 将PIL图像转换为numpy数组以便处理
    img_array = np.array(image)

    # 预处理：二值化和颜色反转
    # MNIST数据集中数字为白色(255)，背景为黑色(0)
    if img_array.mean() > 127:  # 如果平均像素值大于127，说明可能是黑底白字
        img_array = 255 - img_array  # 颜色反转

    # 将numpy数组转换为PyTorch张量并添加批次维度
    img_tensor = transforms.ToTensor()(img_array).unsqueeze(0)
    # 使用MNIST数据集的均值和标准差进行归一化
    img_tensor = transforms.Normalize((0.1307,), (0.3081,))(img_tensor)

    return image, img_tensor  # 返回原始图像和处理后的张量

2.3 预测

def predict_digit(image_path):
    """预测自定义图像中的数字"""
    # 创建模型实例
    model = CNN()
    # 加载预训练模型权重
    model.load_state_dict(torch.load('mnist_cnn_model.pth'))
    # 设置模型为评估模式(关闭Dropout等训练特有的层)
    model.eval()

    # 预处理输入图像
    original_img, img_tensor = preprocess_image(image_path)

    # 预测过程，不计算梯度以提高效率
    with torch.no_grad():
        # 前向传播，得到模型输出
        output = model(img_tensor)
        # 应用softmax将输出转换为概率分布
        probabilities = torch.softmax(output, dim=1)
        # 获取最高概率及其对应的数字类别
        confidence, predicted = torch.max(probabilities, 1)

---

三，测试

3.1 测试方法

如上文代码所示，我这里用的测试图片是自己定义图片，使用电脑自带的paint绘图软件，设置画布为28*28像素，黑底白字，手动写入一个字进行预测

3.2 测试结果

        预测5的置信度为99.94%

        预测0的置信度为99.99%

        预测7的置信度为92.33%（尽管这个“7”写的很不好但是并不影响预测结果）

---

四 ，总结

        卷积神经网络（CNN）在图像分类中相比全连接网络（FNN）具有显著优势：通过局部连接和权重共享机制，CNN 大幅减少参数量，避免全连接网络因输入维度高导致的参数爆炸问题，计算效率更高且不易过拟合；CNN 通过卷积核逐层提取图像的局部特征（如边缘、纹理），结合池化层的平移不变性，能自动学习从低级到高级的层级化语义特征，而全连接网络将图像展平为向量，完全忽略像素空间关系，需依赖人工特征或大量数据学习；此外，CNN 的卷积结构天然具备正则化效果，对数据量需求更低，训练速度更快，且通过可视化卷积核和特征图可直观解释其对图像模式的捕捉过程，而全连接网络的特征表示缺乏可解释性。

---

五，完整代码

5.1 模型训练部分代码

import torch  # 导入PyTorch库，用于深度学习
import torch.nn as nn  # 导入PyTorch的神经网络模块
import torch.optim as optim  # 导入PyTorch的优化器模块
from torchvision import datasets, transforms  # 从torchvision导入数据集和数据变换模块
from torch.utils.data import DataLoader  # 导入数据加载器模块

# 定义CNN模型
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()  # 调用父类的初始化方法
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3)  # 定义第一个卷积层，输入通道1，输出通道32，卷积核大小3x3
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3)  # 定义第二个卷积层，输入通道32，输出通道64，卷积核大小3x3
        self.pool = nn.MaxPool2d(2, 2)  # 定义最大池化层，池化核大小2x2
        self.dropout1 = nn.Dropout2d(0.25)  # 定义第一个Dropout层，随机丢弃25%的神经元
        self.fc1 = nn.Linear(64 * 12 * 12, 128)  # 定义第一个全连接层，输入维度64*12*12，输出维度128
        self.dropout2 = nn.Dropout(0.5)  # 定义第二个Dropout层，随机丢弃50%的神经元
        self.fc2 = nn.Linear(128, 10)  # 定义输出层，输入维度128，输出维度10（对应10个数字类别）

    def forward(self, x):
        x = torch.relu(self.conv1(x))  # 对第一个卷积层的输出应用ReLU激活函数
        x = self.pool(torch.relu(self.conv2(x)))  # 对第二个卷积层的输出应用ReLU激活函数，然后进行最大池化
        x = self.dropout1(x)  # 应用第一个Dropout层
        x = x.view(-1, 64 * 12 * 12)  # 将张量展平为一维向量，-1表示自动推断批次维度
        x = torch.relu(self.fc1(x))  # 对第一个全连接层的输出应用ReLU激活函数
        x = self.dropout2(x)  # 应用第二个Dropout层
        x = self.fc2(x)  # 通过输出层
        return x  # 返回模型的输出

# 数据预处理
transform = transforms.Compose([
    transforms.ToTensor(),  # 将图像转换为张量
    transforms.Normalize((0.1307,), (0.3081,))  # 使用MNIST数据集的均值和标准差进行归一化
])

# 加载数据
train_dataset = datasets.MNIST('data', train=True, download=True, transform=transform)  # 加载MNIST训练数据集
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)  # 创建数据加载器，批次大小为64，打乱数据

# 初始化模型、损失函数和优化器
model = CNN()  # 创建CNN模型实例
criterion = nn.CrossEntropyLoss()  # 定义交叉熵损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)  # 定义Adam优化器，学习率为0.001

# 训练模型
def train(epochs):
    model.train()  # 设置模型为训练模式
    for epoch in range(epochs):  # 进行指定轮数的训练
        running_loss = 0.0  # 初始化本轮的损失累加器
        for batch_idx, (data, target) in enumerate(train_loader):  # 遍历数据加载器中的每个批次
            optimizer.zero_grad()  # 梯度清零
            output = model(data)  # 前向传播，计算模型输出
            loss = criterion(output, target)  # 计算损失
            loss.backward()  # 反向传播，计算梯度
            optimizer.step()  # 更新模型参数
            running_loss += loss.item()  # 累加当前批次的损失

            if batch_idx % 100 == 0:  # 每100个批次打印一次损失
                print(f'Epoch {epoch + 1}, Batch {batch_idx}, Loss: {loss.item():.6f}')

        print(f'Epoch {epoch + 1} completed, Average Loss: {running_loss / len(train_loader):.6f}')  # 打印本轮平均损失

# 执行训练并保存模型
if __name__ == '__main__':
    train(epochs=5)  # 调用训练函数，训练5轮
    torch.save(model.state_dict(),'mnist_cnn_model.pth')  # 保存模型的参数
    print("模型已保存为: mnist_cnn_model.pth")  # 打印保存模型的信息

5.2 模型测试部分代码

# 导入PyTorch深度学习框架及其神经网络模块
import torch
import torch.nn as nn
# 导入torchvision的图像变换工具
from torchvision import transforms
# 导入PIL库用于图像处理
from PIL import Image
# 导入matplotlib用于可视化
import matplotlib.pyplot as plt
# 导入numpy用于数值计算
import numpy as np
# 导入os模块用于文件和路径操作
import os

# 设置matplotlib的字体，确保中文正常显示
plt.rcParams['font.sans-serif'] = ['SimHei', 'WenQuanYi Micro Hei', 'Heiti TC']
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题


# 定义与训练时相同的CNN模型架构
class CNN(nn.Module):
    def __init__(self):
        # 调用父类初始化方法
        super(CNN, self).__init__()
        # 第一个卷积层：输入1通道(灰度图)，输出32通道，卷积核3x3
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3)
        # 第二个卷积层：输入32通道，输出64通道，卷积核3x3
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3)
        # 最大池化层：核大小2x2，步长2
        self.pool = nn.MaxPool2d(2, 2)
        # Dropout层：训练时随机丢弃25%的神经元，防止过拟合
        self.dropout1 = nn.Dropout2d(0.25)
        # 第一个全连接层：输入维度64*12*12，输出128
        self.fc1 = nn.Linear(64 * 12 * 12, 128)
        # Dropout层：训练时随机丢弃50%的神经元
        self.dropout2 = nn.Dropout(0.5)
        # 输出层：输入128，输出10个类别(对应0-9数字)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        # 第一层卷积+ReLU激活
        x = torch.relu(self.conv1(x))
        # 第二层卷积+ReLU激活+池化
        x = self.pool(torch.relu(self.conv2(x)))
        # 应用Dropout
        x = self.dropout1(x)
        # 将多维张量展平为一维向量(64*12*12)
        x = x.view(-1, 64 * 12 * 12)
        # 第一个全连接层+ReLU激活
        x = torch.relu(self.fc1(x))
        # 应用Dropout
        x = self.dropout2(x)
        # 输出层，得到未归一化的预测分数
        x = self.fc2(x)
        return x


def preprocess_image(image_path):
    """预处理自定义图像，使其符合模型输入要求"""
    # 打开图像并转换为灰度图(单通道)
    image = Image.open(image_path).convert('L')

    # 调整图像大小为28x28像素(如果不是)
    if image.size != (28, 28):
        image = image.resize((28, 28), Image.Resampling.LANCZOS)

    # 将PIL图像转换为numpy数组以便处理
    img_array = np.array(image)

    # 预处理：二值化和颜色反转
    # MNIST数据集中数字为白色(255)，背景为黑色(0)
    if img_array.mean() > 127:  # 如果平均像素值大于127，说明可能是黑底白字
        img_array = 255 - img_array  # 颜色反转

    # 将numpy数组转换为PyTorch张量并添加批次维度
    img_tensor = transforms.ToTensor()(img_array).unsqueeze(0)
    # 使用MNIST数据集的均值和标准差进行归一化
    img_tensor = transforms.Normalize((0.1307,), (0.3081,))(img_tensor)

    return image, img_tensor  # 返回原始图像和处理后的张量


def predict_digit(image_path):
    """预测自定义图像中的数字"""
    # 创建模型实例
    model = CNN()
    # 加载预训练模型权重
    model.load_state_dict(torch.load('mnist_cnn_model.pth'))
    # 设置模型为评估模式(关闭Dropout等训练特有的层)
    model.eval()

    # 预处理输入图像
    original_img, img_tensor = preprocess_image(image_path)

    # 预测过程，不计算梯度以提高效率
    with torch.no_grad():
        # 前向传播，得到模型输出
        output = model(img_tensor)
        # 应用softmax将输出转换为概率分布
        probabilities = torch.softmax(output, dim=1)
        # 获取最高概率及其对应的数字类别
        confidence, predicted = torch.max(probabilities, 1)

    # 创建可视化窗口
    plt.figure(figsize=(12, 4))

    # 子图1：显示原始输入图像
    plt.subplot(1, 3, 1)
    plt.imshow(original_img, cmap='gray')
    plt.title('原始图像')
    plt.axis('off')  # 关闭坐标轴显示

    # 子图2：显示模型实际输入(归一化后的图像)
    plt.subplot(1, 3, 2)
    plt.imshow(img_tensor[0][0], cmap='gray')
    plt.title('模型输入')
    plt.axis('off')

    # 子图3：显示预测结果和置信度条形图
    plt.subplot(1, 3, 3)
    plt.bar(range(10), probabilities[0].numpy())
    plt.xticks(range(10))  # 设置x轴刻度为0-9
    plt.title(f'预测结果: {predicted.item()} (置信度: {confidence.item() * 100:.2f}%)')
    plt.xlabel('数字')
    plt.ylabel('概率')

    # 自动调整子图布局
    plt.tight_layout()
    # 显示图像
    plt.show()

    # 返回预测结果和置信度
    return predicted.item(), confidence.item() * 100


if __name__ == '__main__':
    # 指定要测试的图像路径，请替换为实际路径
    image_path = r"C:\Users\10532\Desktop\Study\test\Untitled.png"

    # 检查文件是否存在
    if not os.path.exists(image_path):
        print(f"错误：文件 '{image_path}' 不存在")
    else:
        # 执行预测
        digit, confidence = predict_digit(image_path)
        print(f"预测结果: {digit}，置信度: {confidence:.2f}%")