CNN-demo

基于PyTorch的卷积神经网络（CNN）手写数字识别项目

项目简介

本项目实现了一个用于MNIST手写数字识别的卷积神经网络（CNN），包含数据加载、模型训练、测试、可视化、单张图片预测、权重可视化等完整流程。适合深度学习初学者学习CNN原理与PyTorch实践。

GitHub仓库地址：git@github.com:wangfugui002/CNN-DEMO.git

环境依赖

• Python 3.7+
• torch
• torchvision
• numpy
• matplotlib
• pillow
• scipy

安装依赖：

pip install torch torchvision numpy matplotlib pillow scipy

主要文件说明

• cnn_demo.py：主程序，包含模型定义、训练、测试、可视化等
• generate_test_image.py：生成或提取测试图片（如数字6），保存为test_image.png和test_image.npy
• test_model.py：加载训练好的模型，对单张图片进行预测并可视化结果
• visualize_kernels.py：可视化卷积核及其对图片的响应
• feature_visualization.py：可视化特征提取与分类全过程
• visualize_fc_weights.py：可视化全连接层权重矩阵
• 卷积核与全连接层关系说明.md：卷积核与全连接层关系的详细说明
• CNN_demo_流程文档.md：项目完整流程与原理说明
• data/mnist.npz：MNIST数据集（需自动下载或手动准备）
• trained_model.pth：训练好的模型权重
• test_image.png/test_image.npy：测试图片

运行步骤

1. 准备数据

   • 确保data/mnist.npz存在（可自动下载或手动下载）

2. 训练模型

   python3 cnn_demo.py

   • 训练完成后会自动保存模型为trained_model.pth

3. 生成/提取测试图片

   python3 generate_test_image.py

   • 默认会从MNIST中提取一张数字6的图片，保存为test_image.png和test_image.npy

4. 模型预测测试图片

   python3 test_model.py

   • 会输出预测结果和概率分布，并可视化

5. 可视化卷积核、特征、全连接层权重

   python3 visualize_kernels.py
   python3 feature_visualization.py
   python3 visualize_fc_weights.py

可视化说明

• 训练损失曲线、测试集预测结果、卷积核权重、特征图、全连接层权重等均有可视化脚本
• 运行相关脚本后会弹出matplotlib窗口展示结果

常见问题

• 字体警告：matplotlib默认字体不支持中文，不影响功能
• 数据集下载慢：可手动下载mnist.npz放到data/目录
• 预测图片需为28x28灰度图，或用generate_test_image.py自动生成

Git操作上传项目

1. 初始化git仓库（如未初始化）

   git init
   git remote add origin git@github.com:wangfugui002/CNN-DEMO.git

2. 添加并提交所有文件

   git add .
   git commit -m "init: upload CNN-demo project"

3. 推送到GitHub

   git branch -M main
   git push -u origin main

---

如有问题欢迎在GitHub仓库提issue或联系作者。