HDU杭电--机器学习实验报告（五）

一、实验目的

• 1、理解图像识别、手写识别的原理；

• 2、掌握Sklearn实现基于MLP的手写识别；

• 3、掌握Sklearn实现基于KNN的手写识别。

二、实验内容与要求

【实验内容】基于MLP的手写识别

手写数字识别是一个多分类问题，共有10个分类，每个手写数字图像的类别标签是0~9中的其中一个数。例如下面这三张图片的标签分别是0，1，2。

利用sklearn来训练一个简单的全连接神经网络，即多层感知机 （Multilayer perceptron，MLP）用于识别数据集DBRHD的手写数字。

MLP的输入：

DBRHD数据集的每个图片是一个由0或1组成的32*32的文本矩阵； 多层感知机的输入为图片矩阵展开的1*1024个神经元。

MLP输出：“one-hot vectors”

一个one-hot向量除了某一位的数字是1以外其余各维度数字都是0。图片标签将表示成一个只有在第n维度（从0开始）数字为1的10维向量。比如，标签0将表示成[1,0,0,0,0,0,0,0,0,0,0]。即，MLP输出层具有10个神经元。

MLP结构：

MLP的输入与输出层，中间隐藏层的层数和神经元的个数设置都将影响该MLP模型的准确率。在本实验中，只设置一层隐藏层，将在后续实验中比较该隐藏层神经元个数为50、100、200时的MLP效果。

【任务介绍】

本实验利用sklearn来训练一个K最近邻（k-Nearest NeighborKNN）

分类器，用于识别数据集DBRHD的手写数字。比较KNN的识别效果与多层感知机的识别效果。

【KNN手写识别实体构建】

• 步骤1：建立工程并导入sklearn包

• 步骤2：加载训练数据

• 步骤3：构建KNN分类器

• 步骤4：测试集评价

三、实验程序与结果

import numpy as np    
from os import listdir
from sklearn.neural_network import MLPClassifier
from sklearn.neighbors import KNeighborsClassifier
def img2vector(fileName):
    retMat = np.zeros([1024],int)
    fr = open(fileName)    
    lines = fr.readlines()   
    for i in range(32):     
        for j in range(32):