基于神经网络(BP神经网络,CNN)和集成学习的手写字符识别
基于BP神经网络的手写数字识别
基于BP神经网络的手写数字识别手写数字识别是一项十分重要的计算机技术，它在图像识别、自然语言处理、人工智能等众多领域有着广泛的应用。
本文将介绍一种基于BP神经网络的手写数字识别方法。
1. BP神经网络简介BP神经网络是一种常见的人工神经网络模型，它由输入层、隐含层和输出层组成。
每个神经元都由一个非线性函数进行激活，从而产生相应的输出。
BP神经网络的学习过程使用反向传播算法（Back Propagation）进行优化，通过不断更新权值和偏置项，使得网络能够学习到输入与输出之间的关系。
2. 数据集介绍手写数字识别数据集是机器学习领域中的经典数据集之一。
该数据集由MNIST官网提供，包含60000张28x28的训练图像和10000张28x28的测试图像，每张图像都标注了相应的手写数字。
3. 特征提取与数据预处理在进行手写数字识别时，需要将图像转化为数字特征向量。
这里使用了直接将每个像素值作为特征的方法，将28x28的图像转化为784维的特征向量。
为了避免过拟合，还需要对数据进行预处理，包括归一化、降噪等操作。
本文使用的方法是将图像像素值从0-255缩放到0-1之间，同时采用高斯滤波对图像进行降噪处理。
在构建BP神经网络模型时，需要确定网络的层数、每层的神经元数、学习率等超参数。
由于该数据集比较简单，这里采用了一个简单的三层神经网络模型，其中隐含层有50个神经元，输出层有10个神经元，分别代表数字0-9。
此外，为了避免过拟合，还使用了Dropout方法进行正则化。
5. 训练模型与测试模型训练模型时，采用随机梯度下降算法进行优化，每次迭代使用一个随机的batch数据进行训练。
在训练过程中，还记录并输出模型的训练集和测试集准确率。
测试模型时，输入测试数据，并将输出结果与真实标签进行比较，计算模型的准确率和混淆矩阵。
在该数据集上，该方法的准确率可以达到98%以上。
6. 总结与展望本文介绍了一种基于BP神经网络的手写数字识别方法，该方法具有较高的准确率和稳定性。
基于BP神经网络的手写数字识别
基于BP神经网络的手写数字识别BP神经网络是一种常用的人工神经网络模型，也是一种在手写数字识别领域取得良好效果的方法之一。
手写数字识别是指通过计算机对手写数字进行识别和分类，这在现代社会中有着广泛的应用，比如验证码识别、自动识别银行支票和自动识别信封上的邮政编码等。
BP神经网络是一种典型的前向反馈网络，它由输入层、隐层和输出层组成，具有较强的非线性映射能力和逼近性能。
在手写数字识别中，BP神经网络可以通过学习样本数据来训练网络，使得网络能够准确地识别各种手写数字。
下面将介绍基于BP神经网络的手写数字识别的具体实现过程。
一、数据预处理在进行手写数字识别之前，首先需要对手写数字图像进行预处理。
通常情况下，手写数字图像是一个灰度图像，我们可以对图像进行二值化处理，将其转换为黑白图像。
然后，可以对图像进行分割，将每个手写数字从图像中分离出来，这样可以降低识别的复杂度。
还需要对手写数字进行尺寸归一化处理，将其缩放到统一的大小，以便于网络的训练和识别。
二、特征提取在进行手写数字识别时，通常需要对手写数字进行特征提取，以便于网络学习和识别。
常用的特征提取方法包括灰度直方图、边缘检测、轮廓提取、形状描述子等。
这些特征可以帮助网络更好地理解手写数字的形状和结构，从而提高识别的准确性。
三、构建BP神经网络模型构建BP神经网络模型是手写数字识别的关键一步。
在构建网络模型时，需要确定输入层的大小、隐层的大小和输出层的大小。
通常情况下，输入层的大小取决于手写数字的特征向量的维度，隐层的大小可以通过交叉验证的方法确定，输出层的大小则取决于手写数字的类别数。
在确定网络结构后，还需要确定网络的激活函数、学习率和训练轮数等超参数。
四、网络训练和优化在构建BP神经网络模型后，需要对网络进行训练和优化。
BP神经网络通常使用反向传播算法进行训练，通过最小化损失函数来调整网络的权值和偏置，使得网络能够更好地拟合训练数据。
在网络训练过程中，还需要使用一些优化算法来加速收敛，比如随机梯度下降、动量法、Adam等。
基于BP神经网络的手写数字识别系统研究
基于BP神经网络的手写数字识别系统研究一、概述随着信息技术的快速发展，手写数字识别技术已成为人工智能领域的一个重要研究方向。
手写数字识别系统能够自动地将手写数字图像转化为计算机可识别的数字信息，广泛应用于银行票据处理、邮政编码识别、移动支付等领域，极大地提高了工作效率和准确性。
BP神经网络作为一种强大的机器学习方法，在手写数字识别中展现出了显著的优势。
BP神经网络通过模拟人脑神经元的连接方式和信息处理机制，能够自动学习和提取手写数字图像中的特征，并通过不断调整网络参数来优化识别性能。
基于BP神经网络的手写数字识别系统具有较高的识别精度和鲁棒性。
BP神经网络在手写数字识别中的应用也面临着一些挑战。
手写数字的形态各异，存在大量的噪声和干扰因素，这要求神经网络具备强大的特征提取和抗干扰能力。
如何设计合理的网络结构、选择适当的训练算法以及优化网络参数，也是提高手写数字识别性能的关键问题。
本文旨在研究基于BP神经网络的手写数字识别系统，通过深入分析手写数字图像的特点和神经网络的原理，探索有效的特征提取和识别方法，以提高手写数字识别的准确性和稳定性。
本文还将对神经网络的优化算法进行研究，以进一步提高系统的性能。
1. 手写数字识别的背景与意义随着信息技术的迅猛发展，手写数字识别技术作为计算机视觉和模式识别领域的重要分支，逐渐受到广泛关注。
手写数字识别技术旨在通过计算机自动解析和识别手写数字，将其转化为计算机可处理的数字信息，从而实现信息的快速录入和处理。
手写数字识别技术具有广泛的应用场景和深远的意义。
在金融行业，手写数字识别技术可以应用于支票、汇票等票据的自动处理，提高业务处理效率，降低人为错误率。
在邮政行业，该技术可以辅助实现邮政编码的自动识别，提升邮件分拣速度和准确性。
在考试评分、数据录入、表单处理等场景中，手写数字识别技术也能发挥重要作用，显著提高工作效率和质量。
基于BP神经网络的手写数字识别系统研究具有重要的理论和实践价值。
基于BP神经网络的手写数字识别
基于BP神经网络的手写数字识别手写数字识别是计算机视觉中的一个重要问题，它可以应用于自动识别手写数字的场景，例如智能手机的手写输入法、邮政编码识别等。
BP神经网络是一种常用的机器学习算法，它在手写数字识别中有着很好的应用效果。
BP神经网络（Back-Propagation Neural Network），也称为反向传播神经网络，是一种多层前向反馈神经网络，其主要模拟了生物神经元之间的相互连接和信息传递过程。
在手写数字识别中，BP神经网络可以通过训练学习到输入图像和对应的数字之间的映射关系，从而实现对手写数字的自动识别。
BP神经网络的基本结构由输入层、隐层和输出层组成。
输入层接收手写数字的像素值作为网络的输入，隐层通过一系列的非线性激活函数对输入信号进行加工和处理，输出层返回最终的识别结果。
BP神经网络的训练过程主要包括前向传播和反向传播两个过程。
前向传播是指将输入图像通过网络的每一层进行传递，最终得到输出层的结果，反向传播是指通过计算损失函数的梯度，依次更新每一层的权重和偏置。
损失函数通常采用交叉熵损失函数，它可以对目标值和网络输出之间的差异进行度量。
在实际应用中，训练数据的选择和预处理对于BP神经网络的性能影响很大。
通常情况下，我们会选择大量的手写数字图像作为训练数据，并对图像进行预处理，例如图像归一化、去噪等，以提高网络的识别准确率。
为了进一步提高BP神经网络在手写数字识别上的性能，还可以结合其他技术进行改进。
可以将卷积神经网络（Convolutional Neural Network，CNN）与BP神经网络相结合，使用卷积层和池化层对图像进行特征提取，再通过全连接层进行分类。
在实际应用中，BP神经网络的手写数字识别已经取得了很好的效果，甚至超过了人类的准确率。
这得益于神经网络的强大的模式识别和分类能力。
BP神经网络也存在一些问题，例如对于大规模数据的处理速度较慢，容易过拟合等，这些问题可以通过网络结构的优化和算法的改进来解决。
基于神经网络的手写体字识别技术
基于神经网络的手写体字识别技术在数字化时代，人工智能技术日益成熟发展，各种基于人工智能技术的应用越来越多，其中手写体字识别技术就是其中之一。
手写体字识别技术是指通过计算机对手写体字进行识别，并转换为机器可读的格式。
这项技术的发展，离不开神经网络的应用。
下面我们就来了解一下基于神经网络的手写体字识别技术。
一、手写体字识别技术的基本原理手写体字识别技术的基本原理就是将手写的字迹通过光电传感器或数码相机等设备转换成数字信号，再根据手写字的特征来识别出这些手写字。
手写字的特征包括笔画方向、长度、宽度、弯曲度等，这些特征是用数字化的方法表示出来的。
在对手写字进行识别时，计算机使用这些特征来推测手写字的形状和意义。
二、神经网络在手写体字识别技术中的应用随着神经网络技术的发展，神经网络逐渐应用于手写体字识别技术之中。
神经网络是一种机器学习的算法，能够自动学习输入数据中的规律和特征，进而对数据进行分类或预测。
在手写体字识别技术中，神经网络可以用来训练计算机自动识别各种手写字的特征。
神经网络的结构分为输入层、隐藏层和输出层。
在手写体字识别中，输入层用来接收手写字的数字化信息，即手写字象素点的灰度值；输出层则用来输出计算机对手写字识别的结果。
隐藏层是神经网络中最为复杂的部分，隐藏层通过神经元的连接和计算来逐步提取并转换手写字的信息，并更高效地将其符合人类可识别的特征输出给输出层。
三、神经网络在手写体字识别技术中的实现方式神经网络在手写体字识别技术中的实现方式有许多种，下面我们介绍其中的两种：卷积神经网络和循环神经网络。
1.卷积神经网络卷积神经网络( Convolutional Neural Network, CNN )是一种深度学习的神经网络，主要用于图像识别和处理。
在手写体字识别技术中，卷积神经网络通过滤波器和池化层来提取手写字的特征，然后对这些特征进行分类或预测。
卷积神经网络的输入层输出的特征图可以对应手写体字中的笔画方向和弯曲度等特征。
基于BP神经网络的手写数字识别
基于BP神经网络的手写数字识别手写数字识别是一项重要的模式识别任务，它可以应用于自动识别银行支票上的金额、自动识别信封上的邮政编码等。
目前，基于BP神经网络的手写数字识别已经得到了广泛的研究和应用。
本文将介绍BP神经网络的原理和手写数字识别的实现过程，并通过实验验证其性能。
一、BP神经网络概述1.1 BP神经网络原理BP神经网络是一种常见的人工神经网络，它由输入层、隐层和输出层组成。
在BP神经网络中，输入层接收输入信号，隐层和输出层分别进行信息处理和输出。
神经元之间的连接权值是网络学习的关键参数，它决定了神经网络的性能。
BP神经网络通过反向传播算法来调整连接权值，使得网络输出与期望输出尽可能接近。
BP神经网络的训练过程包括前向传播和反向传播两个阶段。
在前向传播阶段，输入数据经过各层神经元的激活函数计算，得到网络的输出。
在反向传播阶段，根据网络输出与期望输出的误差，通过梯度下降算法来更新连接权值，使得误差最小化。
通过多次迭代训练，可以使神经网络不断优化，提高识别精度。
二、手写数字识别的实现2.1 数据集准备手写数字识别的数据集通常是由大量的手写数字图片组成，每张图片都对应一个标签，表示该图片代表的数字。
在本文实验中，我们将采用MNIST数据集作为手写数字识别的训练和测试数据集。
2.2 神经网络架构设计针对手写数字识别任务，我们设计了一个简单的BP神经网络架构。
该神经网络包括一个输入层、一个隐层和一个输出层。
输入层的节点数为图片像素的维度，输出层的节点数为10，代表数字0-9。
隐层的节点数为自定义的参数，通过实验来确定最佳的隐层节点数。
通过使用MNIST数据集进行训练，我们将输入图片进行预处理，将像素值进行归一化处理，然后作为神经网络的输入。
通过前向传播和反向传播算法，不断更新神经网络的连接权值，使得网络输出与期望输出尽可能接近。
在训练过程中，我们采用交叉熵损失函数作为误差函数，采用随机梯度下降算法来更新连接权值。
基于BP神经网络的手写数字识别
基于BP神经网络的手写数字识别BP神经网络，即反向传播神经网络，是一种常用的神经网络模型，主要应用于模式识别和分类问题。
它通过多层的神经元之间的连接来建立一个能够学习和泛化的模型。
在手写数字识别中，我们可以使用BP神经网络来实现数字的自动识别。
我们需要准备一个手写数字的训练集，训练集包含多个手写数字图片及对应的标签。
每个手写数字图片可以表示为一个固定大小的矩阵，矩阵中的每个元素表示图片中对应位置的像素值。
标签可以是一个数字，表示该图片所代表的数字。
接下来，我们需要对训练集进行预处理，将图片转化为神经网络的输入。
通常情况下，我们会将每个像素值归一化到0到1的范围内，以便于神经网络的训练。
我们还需要对标签进行编码，常用的编码方式是独热编码（one-hot encoding），将每个数字编码为一个长度为10的二进制向量，其中只有对应数字位置上的值为1，其余位置上的值为0。
接着，我们需要建立一个BP神经网络模型。
模型的输入层节点数应该与图片的像素数相对应，输出层节点数应该与标签的分类数相对应。
中间的隐藏层节点数可以根据实际情况进行调整。
每个节点的激活函数通常选择sigmoid函数或者ReLU函数。
在模型建立好后，我们可以使用反向传播算法进行训练。
训练过程中，我们需要将训练集分为小批量进行输入，每次输入一个小批量的图片及对应的标签，通过前向传播计算输出，再通过反向传播更新模型参数。
训练的目标是使得模型的输出尽可能接近真实标签，可以使用交叉熵或者均方误差作为损失函数。
当模型训练完毕后，我们可以使用测试集对模型进行评估。
将测试集中的图片输入到模型中，通过前向传播计算输出，将输出与真实标签进行比较，可以计算出模型的准确率或者其他评价指标。
总结而言，基于BP神经网络的手写数字识别是一个基于训练集的模式识别问题。
通过构建BP神经网络模型，通过反向传播算法进行训练和优化，最终实现对手写数字的自动识别。
这是一个经典的机器学习问题，也是深度学习中的基础知识。
基于神经网络的手写文字识别算法研究
基于神经网络的手写文字识别算法研究随着人工智能与机器学习技术的不断进步，手写文字识别技术也越来越成熟。
而基于神经网络的手写文字识别算法研究成为了当前热门的方向之一。
本文将探讨基于神经网络的手写文字识别算法的相关情况，包括其背景、关键技术、发展现状以及未来展望等。
一、背景手写文字识别算法是一项将手写笔画转换成可供计算机处理的数字化形式的技术。
其应用范围广泛，如识别地址、签名、表格、笔记、邮政编码等，并在银行、邮政、政府、医疗等行业得到广泛应用。
在历史上，手写文字识别算法主要是由专门的人工智能专家或者专业算法工程师设计和开发。
如今，人工智能和机器学习技术的普及，让更多的普通程序员也有能力开发手写文字识别算法。
而基于神经网络的手写文字识别算法在这一领域中占据着越来越重要的地位。
二、关键技术基于神经网络的手写文字识别算法，我们需要掌握如下关键技术：1.数据预处理：一般来说，预处理是指将原始的手写文字图像进行处理，去除背景噪声和扭曲，增强手写文字的边缘、鲜明度和对比度等。
数据预处理不仅可以提高手写文字识别算法的正确率，还可以减小样本数量，提高程序的运行速度。
2.特征提取：手写文字图像是由一系列笔画轨迹组成的，如何提取出关键的特征是手写文字识别算法中的关键问题。
目前，主要的特征提取方法包括灰度共生矩阵法、梯度直方图法等。
3.神经网络模型：神经网络是基于人脑细胞和神经元构建的仿真模型，常用于解决复杂的非线性问题，并且具有自学习、自适应、容错性等优良特性。
在手写文字识别算法中，我们通常选择卷积神经网络（CNN）或者循环神经网络（RNN）等模型来进行处理。
三、发展现状基于神经网络的手写文字识别算法在技术上已经非常成熟。
在具体应用上，大多数的手写文字识别服务都已经在使用基于神经网络的算法。
例如，在Windows的操作系统中，自带的手写板提供了非常好的手写文字识别功能，它就是基于神经网络的算法进行设计和优化。
此外，在数字化OCR、人工智能智能化图像等领域，基于神经网络的手写文字识别算法也取得了许多优秀的成果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
邮件文字录入
在传统模式邮件寄送过程中，
快效的输入到计算机系统，
实现人机交互，减轻人们的 劳动，将人力从枯燥冗杂的 工作中解放出来，提高处理 效率，因而具有重要的研究
交通管理系统中的重要组成
部分，应用非常广泛，高速 公路收费管理、超速违章自 动拍照、停车场管理、小区 进出车辆管理、交通数据采
轻快递工作人员文字信息录
FIVE 扩展及实际运用
对算法的进行实际运用性的扩展，以及实际运用。
01
研究意义
神经网络识别文字研究的意义，目的，识别文字能够进行的相关工作。
SR
SIGNIFICANCE OF RESEARCH
研究意义
简化文字输入
字符识别能够将字符高速、
车牌号码识别
车牌智能自动识别作为智能
快递信息录入
快递信息录入能够极大地减
基于神经网络和集成学习 的字符识别
文字是人类表达和交流信息的重要工具之一，不论是在生产还是日
常生活中，人们都要接触和处理大量的文字信息。字符识别能够将 字符高速、快效的输入到计算机系统，实现人机交互，减轻人们的 劳动，将人力从枯燥冗杂的工作中解放出来，提高处理效率，因而 具有重要的研究价值。
CONTENTS
集成学习--Bagging
原因/理由：单一模型具有局限性 。
任何一种模型，都有其缺陷，通过多模型组合
能够趋近完美。 启发：某一次听说有人用多分类器跑mnist到 100%正确率。 一个计算天才去算10000道四则运算题，很大 某一道题可能会犯错，那么他就只能算是趋近 完美。但如果十个计算天才一起去做这10000 道题，每道题由多数人投票决定，那么，最终 的效果必定是更优秀的 。
误差率(mnist)
97.3
%
98.3
%
99.1
Input ->
%
99.4
%
搭建BP-NN
Input(Batch_size*28*28) -> Dense(1024) ->
搭建组合BP-NN
Multi-(Input -> Dense(1024) -> Relu activation -> Dense(10) -> Softmax activation -> Output(10) ) -> Combination -> Final output
止，还没有一台计算机能产生“自我”的意识。 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉
机器学习
及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门 学科。专门研究计算机怎样模拟或实现人类的学习行为，以获 取新的知识或技能，重新组织已有的知识结构使之不断改善自 身的性能。它是人工智能的核心。 深度学习(Deep Learning, DL)是机器学习中一种基于对数据进
MR
THE TWO NEURAL NETWORK OF RECGNIZATION
两种神经网络
反向传播神经网络
向传播(back propagation, BP)算法是1986年由
Hinton和McClelland为首的科学家提出的概念。BP 神经网络是一种采用这种算法进行高效训练的多层前 馈神经网络，是目前应用最强大最广泛的神经网络之 一。
紧接卷积神经网络(Densely Connected Convolutional Networks,DenseNet)，可
类的效果也是令人十分满意。
以看做是ResNet的一个特例，
通过紧密连接，能够减轻梯 度消失。
尽管是很简单的思想，但
其所带来的效果令人惊叹。
CM
CONBINATION CLASSIFICATION MODEL
参数的值，得到令人满意的参数
RN
RESIDUAL NETWORK
论文：《Deep Residual Learning for Image Recognition》 CVPR2015/2016 最佳论文
残差网络
https:///abs/1512.03385
Instead of hoping each few stacked layers directly fit a desired underlying mapping, we explicitly let these layers fit a residual mapping. Formally, denoting the desired underlying mapping as H(x),we let the stacked nonlinear layers fit another mapping of F(x): H(x)-x. The original
卷积神经网络
卷积神经网络（Convolutional Neural Network, CNN） 是一种前馈神经网络，它的人工神经元可以响应一部分 覆盖范围内的周围单元，对于大型图像处理有出色表现。
一般包括卷积层(convolutional layer)、池化层
(pooling layer)和全连接层(dense layer)。
of all preceding layers are treated
as separate inputs whereas its own feature maps are passed on as inputs to all subsequent layers. 一个词概括就是：Dense，多层神 经网络组合成一个Dense Block， 每一个Dense Block都紧密相连。
优化层
在传统CNN上添加了 DropOut、 Regularization、Batch Normalization 优化层。
Momentum，采用
Adam优化器进行神经网 络的优化
IA
IMPROVEMENT OF ALGORITHM
算法改进
01
Bagging
Bagging算法是一种集成
学习算法。因为单一模型 具有局限性，任何一种模 型，都有其缺陷，通过多 模型组合能够趋近完美。
尽管是很简单的思想，但其所带来的效果令人
惊叹。(Error: 0.9% -> 0.6%） 因为单一模型的就已经足够优秀，法
论文：《Hyperparameter Optimization: A Spectral Approach》 https:///abs/1706.00764
Keras
Keras 是一种高度模块化，使用简单上手快，合适深度 学习初学者使用的深度学习框架。Keras由纯Python编 写而成并以Tensorflow、Theano以及CNTK为后端。
Keras为支持快速实验而生，能够把你的idea迅速转换
为结果。
03
研究结果
到目前为止，研究的结果，使用神经网络对字符进行识别能达到的效 果。
02
Harmonica
Harmonica算法是优秀 一种调参算法，十分高效， 并且能够适应于几乎一切 场景。在机器学习里面， 调参尤其重要。
03
ResNet
残差网络(residual network, ResNet)，通过残差网络，可 以把网络层弄的很深，现在达 到了1000多层，最终的网络分
04
DenseNet
ONE 研究意义
神经网络识别文字研究的意义，目的，识 别文字能够进行的相关工作。
THREE 研究结果
到目前为止，研究的结果，使用神经网络对字 符进行识别能达到的效果。
TWO 研究相关
研究主要涉及的领域、研究中所使用的相 关理论、以及研究所使用的技术和方法。
FOUR 算法改进
对前面所述的研究进行创新性的改进，使得能 够更高效地识别，主要有四种改进。
集成学习
深度学习
行表征学习的方法。观测值（例如一幅图像）可以使用多种方 式来表示，如每个像素强度值的向量，或者更抽象地表示成一
系列边、特定形状的区域等。
集成学习(ensemble learning)集成学习是使用一系列学习器进 行学习，并使用某种规则把各个学习结果进行整合从而获得比 单个学习器更好的学习效果的一种机器学习方法。。
Conv2d -> Pooling -> relu ->
Flat -> dense -> dense -> Output
Conv2d -> Pooling -> relu ->
Flat -> dense -> dense -> Output) -> Combination -> Final output
入的工作，使得工作人员能 够从辛苦、单一无聊的工作 中解放出来，有效地加速中 国快递业的发展。
邮件的分类主要靠人工阅读
并分类，再往各个地区发送， 整个过程费时耗力。近年来， 着计算机理论与技术为背景 的人工智能运用的不断普及，
价值。
集等许多系统中都需要识别
车牌号码。
使得机器录入成为现实。
02
研究相关
研究主要涉及的领域、研究中所使用的相关理论、以及研究所使用的 技术和方法。
DK
DOMAIN OF KNOWLEDGE
领域
人工智能(Artificial Intelligence, AI)，是研究、开发用于模拟、 延伸和扩展人的智能的理论、方法、技术及应用系统的一门新
人工智能
的技术科学。21 世纪，已经取得了长足的进步，但是到目前为
05
算法扩展及运用
对算法的进行实际运用性的扩展，以及实际运用。
搭建CNN+调参
搭建组合CNN
Multi-(Input -> Conv2d -> Pooling -> relu ->