基于1D-CNN模型进行手写数字or字母的序列点集的识别

记录一下在深度学习中使用1D-CNN进行序列点集的识别的全过程。准备的数据集比较少且模型比较简单，所以训练的过程很快，会在这里简单记录一下从准备数据集、模型构建、模型训练 以及 模型预测的全过程。

1.数据集准备和处理

（1）收集手写体数据集，进行切割保存为square，调整大小，放在对应的文件夹下
（2）对所有的图片进行二值化处理
（3）使用bfs_skeleton进行骨架提取与特征点集保存（30个点） 
（4）筛选掉特征不明显或者有明显紊乱的数据，即进行数据清洗
（5）对所有的文件进行整理，重命名以及归类，并进行备份
（6）每一个类别都只保留csv文件，并且使用reserve进行逆序生成
（7）至此，训练需要用到的数据处理完成

2.基于1D-CNN的序列训练及识别

1D卷积神经网络（1D-CNN）模型，通常用于处理一维数据，如时间序列数据、音频信号或序列数据。

2.1 模型架构解析

对于1D-CNN来说，模型架构如下所示：

def create_1dcnn_model(input_shape, num_classes):
    model = tf.keras.models.Sequential([
        tf.keras.layers.Conv1D(32, kernel_size=3, activation='relu', input_shape=input_shape),
        tf.keras.layers.MaxPooling1D(pool_size=2