高中信息技术沪教版（2019）必修1 数据与计算3.建立手写数字识别模型并进行验证试讲课ppt课件

这是一份高中信息技术沪教版（2019）必修1 数据与计算3.建立手写数字识别模型并进行验证试讲课ppt课件，文件包含沪科版2019高中必修1信息技术项目93建立手写数字识别模型并进行验证课件pptx、沪科版2019高中必修1信息技术项目93建立手写数字识别模型并进行验证教案doc等2份课件配套教学资源，其中PPT共29页， 欢迎下载使用。
一、建立手写数字识别模型并进行验证
三、深度学习的主要算法之——卷积神经网络
四、用Pythn语言通过卷积神经网络来建立和验证模型
建立手写数字识别模型的过程，就是对 Train 集合进行训练的过程，建立的模型其实就是从样本数据中学习得到的结果。
建立模型时，首先要选择合适的学习算法，然后利用学算法对样本进行训练。手写数字识别属于分类问题。对于分类问题来说，得到的这个模型就是通常所说的识别器。
机器学习发展至今，众多学者已经提出了非常多的算法，练如决策树、逻辑回归等。近年来，由于大数据的不断积累和我计算机性能的提升，基于多层神经网络的深度学习算法表现出更强劲的性能，在学术界和工业界受到了广泛关注。但各种算法其实并没有绝对的好坏之分，应该根据不同的应用场合，选择较适合的算法。
深度学习( deep learning)是机器学习的一个分支，在取特征方面表现得很强大。它可以从数据中学习由简单特征组合而成的复杂特征，使后面的学习更加有效。
卷积神经网络（Cnvlutinal Neural Netwrks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedfrward Neural Netwrks），是深度学习（deep learning）的代表算法之一  。
卷积神经网络具有表征学习（representatin learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classificatin），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Netwrks, SIANN）”  。
第一个卷积神经网络是1987年由Alexander Waibel等提出的时间延迟网络。
由贝尔实验室完成代码开发并被部署于的支票读取系统
卷积神经网络的表征学习能力得到了关注，并随着数值计算设备的更新得到发展。
在其1979和1980年发表的论文中，福岛仿造生物的视觉皮层设计了以“necgnitrn”命名的神经网络。
1988年，Wei Zhang提出了第一个二维卷积神经网络
第一个二维卷积神经网络
1998年Yann LeCun及其合作者构建了更加完备的卷积神经网络LeNet-5并在手写数字的识别问题中取得成功 。
更加完备的卷积神经网络
（image classificatin）
（neural style transfer）
（bject recgnitin）
（actin recgnitin）
（pse estimatin）
fr i in range(10000)：batch=(100)If i%200==0:Print("当前迭代次数为%d,训练正确率为%g"%(i,accuracy.eval (feed_dict={x:batch[0]， y_:batch[1]，keep_prb: 1.0})))train_step.run(feed_dict={x:batch[0]，y_: batch[l]，keep_prb: 0.5})
设置了一个参数，即总的迭代次数为10000次；
设置了另一个参数，即每次送入卷积神经网络中进行训练的图片数为100张；
设置了第三个参数，即每间隔200次迭代，在控制台输出当前迭代次数下模型的识别正确率；
train_step.run是最关键的进行训练的代码，它针对当前批次的样本进行训练，得出相应模型。
当前迭代次数为0,训练正确率为0.08 当前迭代次数为200,训练正确率为0.88 当前迭代次数为400,训练正确率为0.94 当前迭代次数为600,训练正确率为0.95 当前迭代次数为800,训练正确率为0.95 当前迭代次数为1000,训练正确率为0.96 当前迭代次数为1200,训练正确率为0.96 当前迭代次数为1400,训练正确率为0.99
1.为什么建立模型的过程需要进行反复迭代？ 2.预设的迭代次数与最终模型之间有什么关系？