# 基于C语言构建CNN的手写数字识别

**Repository Path**: conv-factor/Handwritten-number-recognition

## Basic Information

- **Project Name**: 基于C语言构建CNN的手写数字识别
- **Description**: 本项目的卷积神经网络使用C语言构建，包括前向传播和反向传播，可对手写数字体进行有效识别
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 4
- **Forks**: 1
- **Created**: 2021-10-08
- **Last Updated**: 2025-08-28

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于CNN的手写数字识别
本项目的卷积神经网络使用C语言构建，包括前向传播和反向传播，可对手写数字体进行有效识别

# 介绍
* 数据集使用MNIST数据集中的一小部分数据，大小为30x30，通道数为1，包含300张训练集与10张测试集
* 网络结构包括双通道的三层卷积和单通道的三层全连接。卷积操作使用的kernel为3x3，最后输出24x24的特征图；全连接首先将双通道的特征图扁平化到1x1152，而后降维到180->45->10，最后利用softmax输出10种类别的概率

# 环境依赖
* C/C++ 1.7.0

# 训练
* [x] 训练前确保数据已经存放在Training_set目录下
    * 若希望采用预训练的网络参数，则输入y，否则输入n。
    ![输入图片说明](https://images.gitee.com/uploads/images/2021/1015/104745_db9eebbc_8134356.png "参数选择.PNG")
    * 输入训练的轮次，键入之后进入训练阶段，网络进行监督训练，通过后向传播进行参数的调整，使损失函数降低。
    ![输入图片说明](https://images.gitee.com/uploads/images/2021/1015/104800_f6ffd27b_8134356.png "轮次.PNG")
    * 训练过程：网络每10轮输出网络的训练信息，包括训练进度、交叉熵损失与学习率。
    ![输入图片说明](https://images.gitee.com/uploads/images/2021/1015/104811_ade9eebb_8134356.png "训练过程.PNG")
# 测试结果
* 网络会读入训练过程中的最优参数进行测试，对测试集下的0-9的手写数字进行识别
![输入图片说明](https://images.gitee.com/uploads/images/2021/1015/105004_6c4e7a41_8134356.png "测试过程.PNG")
![输入图片说明](https://images.gitee.com/uploads/images/2021/1015/105703_7bbd9bab_8134356.png "训练过程2.PNG")
# 参考
1. [反向传播](https://www.cnblogs.com/charlotte77/p/5629865.html)
2. [卷积核求导](https://www.cnblogs.com/pinard/p/6494810.html#!comments)