java cnn图像识别_点击鼠标完成CNN（卷积神经网络）图片识别（以MNIST为例）

作为人工智能的核心，机器学习是一个发展了很多年的技术体系，专门研究计算机怎样学习获取新的知识或技能；传统上有决策树、随机森林、人工神经网络、贝叶斯学习等算法。

人工神经网络(Artificial Neural Network，ANN )，是人工智能领域1980s以来的研究热点，但受限于算力，传统的机器学习使用基于单隐藏层神经网络的多层感知器(MLP)，和决策树、随机森林等算法相比并无优势。

进入21世纪，因为算力的巨大提升，基于多隐藏层的深度神经网络(Deep Neural Networks，DNN)开启了一个深度学习(DL, Deep Learning)的新时代！其中卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习(deep learning)的代表算法，CNN魔法般的图形识别能力是人工智能时代最激动人心的进展之一。

我们现在基于WEKA软件的Deeplearning4j插件，花费2分钟构建一个CNN网络，完成图片识别领域最著名的例题MNIST手写数字的识别。

一、软件准备：

1JAVA环境

2WEKA：

3Deeplearning4j插件

二、安装

1.java环境和WEKA分别点exe安装

2. Deeplearning4j插件安装：打开WEKA界面，选Tools-package manager，点界面最右上的File/URL-Browse，选择下载的Deeplearning4j安装包，点OK等待安装完成，之后关闭package manager窗口。

三、分析

1.选择数据标签：在WEKA主窗口选择Explorer，点右上的Open file，选择我的电脑-C盘里面的C:\Users\XXXX\wekafiles\packages\wekaDeeplearning4j\datasets\nominal\ mnist.meta.minimal.arff

(其中XXXX是此电脑的用户名)

2.设置参数载入图片：

在WEKA Explorer界面最上端，点击切换到Classify栏，点击Choose，点开function选择Deeplearning4j，点击Choose后面的参数栏。

在弹出的参数选择界面中找到zooModel点击Choose按钮，选择Dl4jLeNet(这是专门优化的CNN网络参数模型)；

同样找到instance iterator栏，点击Choose按钮，选择Imageinstanceiterator点击instance iterator栏 Choose按钮后面的参数选择框，在弹出的参数选择界面中找到directory of images后面的Browse框，选择C:\Users\XXXX\wekafiles\packages\wekaDeeplearning4j\datasets\nominal\ mnist-minimal(这一步相当于告诉软件图片的位置)，并更改sizes of mini batch的0改为16(每次让电脑学习的图片数)点OK；

在参数界面上也点OK。

3.机器学习过程：

在WEKA Explorer界面的Test option选Use train Set，点击Start开始

结果：Correctly Classified Instances项 ：100%

识别率100%，但是Deeplearning4j插件内置的是一个精简版的MNIST手写图片数据集，图片量少，发挥不出CNN的优势，可能难免有一些过拟合，相对于传统的决策树、贝叶斯模型等，深度网络的优势是准确率上限高，能在大量样本上做到极高正确率。

以下附上我优化好的MNIST数据全集，供大家测试

提取码：aaaa