基于迁移学习的手写数字识别优化

张 世鸿, 周 丽
四川大学锦城学院 计算机与软件学院

摘要

在一个数据类型和和数据量的不断增加的时代，对要求机器学习模型的要求越来越高，需要模型拥有能够快速进行构建的能力和很强的泛化能力，迁移学习就能适用与这些情况。发现MNIST数据集采集的是外国人手写数字，而不同国家的书写习惯也不一样，所以如果把在MNIST上训练的模型来预测我们手写的数字，在实际应用中的发现准确率不高，于是本文加入迁移学习来提升模型，首先收集笔者自己的手写数字图片数据，然后对已在MNIST数据集上训练好的卷积神经网络模型进行自采集数据集的迁移学习，最后实验证明进行迁移学习后在实验者采集数据集上，模型准确率提高了7。

关键词

卷积神经网络(CNN)；手写数字；迁移学习

参考

[1] 李彦冬,郝宗波,雷航.卷积神经网络研究综 述[J].计算机应用,2016,36(09):2508-2515+2565.

[2] 周凯利. 应用于手写数字识别的卷积神经网 络算法与FPGA 实现[D]. 重庆邮电大学,2019.

[3] 韩卫雪, 周亚同, 池越. 基于深度学习卷积神经网络的地震数据随机噪声去除[J]. 石油物 探,2018,57(06):862-869+877.

[4] 丁小刚. BP 神经网络与卷积神经网络在文字 识别中的应用研究[D].华中科技大学,2014.

[5] 朱书眉. 基于卷积神经网络的手写体数字识别 [J].数字技术与应用,2018,36(11):44+46.

[6] 李彦冬. 基于卷积神经网络的计算机视觉关 键技术研究[D]. 电子科技大学,2017.

[7] 来学伟.TensorFlow 读取数据在简单图像识别 中的应用[J]. 现代信息科技,2019,3(12):98-99.

[8]LECUN Y,BOTTOU L,BENGIO Y,et al.Gradient-based learning applied todocument recognition[J].Proceedings of the IEEE,1998,86(11):2278-2324.

[9] 吕红. 基于卷积神经网络的手写数字识别系统 的设计[J].智能计算机与应用,2019,9(02):54-56+62.

[10] 彭先伦. 动量梯度下降法的收敛性[D]. 华 东理工大学,2020.