【手写数字识别】数据挖掘实验二

用PyTorch实现MNIST手写数字识别（最新，非常详细）

Ⅰ、项目任务要求

任务描述：

• 图像识别（Image Recognition）是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。 图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。机器学习领域一般将此类识别问题转化为分类问题。

• 手写识别是常见的图像识别任务。计算机通过手写体图片来识别出图片中的字，与印刷字体不同的是，不同人的手写体风格迥异，大小不一，造成了计算机对手写识别任务的一些困难。 数字手写体识别由于其有限的类别（0~9共10个数字）成为了相对简单的手写识别任务。

• 此实验内容：分别采用决策树、KNN、朴素贝叶斯、SVM、BP、softmax、adaboost、袋装八种浅层学习分类方法中的任意二种方法（适于二人组）或 三种（适于三人组）对MNIST公共数据集、HWDG私有数据集进行分类，并写出实验结果分析。

• 说明：也可以多选方法做，比如四种、五种等。

主要任务要求(必须完成以下内容但不限于这些内容)：

• 1、采用MNIST公共数据集；或采用HWDG数据集为私有数据集，用爬虫工具或手工制作，有0-9手写数字共10类，样本总数不少于60个(相当于找60个人，每人都手写0-9数字，分别做好标签存成图片后再制成样本集。)
• 2、简述算法思想和实现原理。
• 3、写出实验结果分析：

  • (1) 数据集描述。包括数据集介绍、训练集和测试集介绍等。

  • (2) 实验运行环境描述。如开发平台、编程语言、调参情况等。

  • (3) 不同方法对MNIST数据集分类识别结果分析(不同方法识别对比率表及结果分析)。
    

  • (4) 不同方法对HWDG数据集分类识别结果分析(不同方法识别率对比表及结果分析)。结果对比表如上表格式所示。

II、方法思想及实现原理陈述（20分）

算法思想和实现原理

数据集描述

• MNIST是一个包含数字0~9的手写体图片数据集，图片已归一化为以手写数 字为中心的28*28规格的图片。
• MNIST由训练集与测试集两个部分组成，各部分 规模如下：
  • 训练集：60,000个手写体图片及对应标签
  • 测试集：10,000个手写体图片及对应标签
    

实验运行环境描述

不同方法对MNIST数据集分类识别结果分析(不同方法识别对比率表及结果分析)

III、实验结果分析（30分）

。。。。。。（按照项目任务要求详细分析实验结果）

IV、代码实现（50分）

。。。。。。（以附件形式上交，代码中关键行加注释）

V、小组分工及贡献比