单元六 · AI项目工坊
第29课 手写数字识别
一、学习目标
- 了解手写数字识别的基本流程。
- 认识数据准备、网络结构与训练评价。
- 能在组件中体验识别并分析结果。
二、情境导入
为什么计算机能认出你手写的「8」？
数据、模型结构与训练过程怎样影响识别率？
三、核心讲解
本课学习路径：
1准备数据
2搭建网络并训练
3调用模型识别
1．准备数据
手写数字识别常用规范化的灰度图像数据集；数据覆盖不同书写风格很重要。
训练数据：带标签的手写样本（0–9）；多样本、多写法有助于模型泛化。
- 了解样本如何被表示成像素矩阵
- 思考：只有一种笔迹的数据会导致什么问题
- 区分训练集与测试集的作用
想一想：为什么要把一部分数据留作测试，而不是全部拿去训练？
2．搭建网络并训练
可用神经网络学习从像素到类别的映射；训练中通过损失反馈更新参数。
训练过程：反复输入样本、比较预测与标签、调整参数，使识别错误逐渐减少。
- 观察层数、神经元数量等对效果的影响
- 过拟合：训练很好但测试很差时意味着什么
- 记录准确率随训练的变化
想一想：如果把标签贴错（把 3 标成 8），模型会学到什么？
3．调用模型识别
训练完成后，输入新手写数字，模型输出类别或概率；可分析易混数字。
推理识别：用训练好的参数处理新样本，得到预测结果。
- 在 MNIST 等识别组件中手写并查看结果
- 总结：哪些数字最容易被混淆（如 4/9）
- 讨论改进：更多数据、数据增强或结构调整
想一想：识别错了时，你更该怪「字写得太草」还是检查模型与数据？两者如何兼顾？
弄清以上要点后，再进入下方动手体验，用实际操作验证。
四、动手体验 · MixAI 组件
请在下列组件中完成操作，至少体验一个并记录现象。
组件 model_mnist_digit_recognition — 在框内完成操作
五、课堂总结
- 手写数字识别依赖标注数据、模型训练与推理调用。
- 要用测试集评价，并分析易混类别以改进。
六、拓展提升
- 手写一组易混数字，统计识别率，并提出一条改进数据或书写规范的建议。
测评
对照本课学习目标作答（客观题练习）；选出后点「检查」。答错会显示简短说明。
训练手写数字识别模型，通常需要：
训练与推理的区别是：
判断：训练准确率很高就一定说明模型在新字迹上也一定很好。
本节小结
回顾本课要点，完成动手体验与测评。记住：手写数字识别。