利用pytorch CNN手写字母识别神经网络模型识别多手写字母（A-Z）

往期的文章，我们分享了手写字母的训练与识别

使用EMNIST数据集训练第一个pytorch CNN手写字母识别神经网络

利用pytorch CNN手写字母识别神经网络模型识别手写字母

哪里的文章，我们只是分享了单个字母的识别，如何进行多个字母的识别，其思路与多数字识别类似，首先对进行识别，并进行每个字母的轮廓识别，然后进行字母的识别，识别完成后，直接在上进行多个字母识别结果的备注

Pytorch利用CNN卷积神经网络进行多数字（0-9）识别

根据上期文章的分享，我们搭建一个手写字母识别的神经网络

第一层，我们输入Eminist的数据集，Eminist的数据是一维 2828的，所以第一层的输入（1，28，28），高度为1，设置输出16通道，使用55的卷积核对进行卷积运算，每步移动一格，为了避免尺寸变化，设置pading为2，则经过第一层卷积就输出（16，28，28）数据格式

再经过relu与maxpooling （使用22卷积核）数据输出（16，14，14）

第二层卷积层是简化写法nnConv2d(16, 32, 5, 1, 2)的第一个参数为输入通道数in_channels=16，其第二个参数是输出通道数out_channels=32, # n_filters（输出通道数），第三个参数为卷积核大小，第四个参数为卷积步数，最后一个为pading,此参数为保证输入输出的尺寸大小一致

全连接层，最后使用nnlinear()全连接层进行数据的全连接数据结构（3277,37）以上便是整个卷积神经网络的结构，

大致为：input-卷积-Relu-pooling-卷积
-Relu-pooling-linear-output

卷积神经网络建完后，使用forward（）前向传播神经网络进行输入的识别

这里我们使用腐蚀，膨胀 *** 作对进行一下预处理 *** 作，方便神经网络的识别，当然，我们往期的字母数字识别也可以添加此预处理 *** 作，方便神经网络进行预测，提高精度

getContours函数主要是进行中数字区域的区分，把每个数字的坐标检测出来，这样就可以 把每个字母进行CNN卷积神经网络的识别，进而实现多个字母识别的目的

首先，输入一张需要检测的，通过preProccessing预处理与getContours函数获取中的每个字母的轮廓位置

transformsCompose此函数可以 把输入进行pytorch相关的 *** 作，包括转换到torch，灰度空间转换，resize，缩放等等 *** 作

然后加载我们前期训练好的模型

由于神经网络识别完成后，反馈给程序的是字母的 UTF-8编码，我们通过查表来找到对应的字母

字符编码表（UTF-8）

通过上面的 *** 作，我们已经识别出了中包括的字母轮廓，我们遍历每个字母轮廓，获取单个字母数据，这里需要特殊提醒一下 ：我们知道EMNIST数据库左右翻转后，又进行了的逆时针旋转90度

这里我们使用cv2flip(imgRes,1)函数，进行的镜像，并使用getRotationMatrix2D函数与warpAffine函数配合来进行的旋转 *** 作，这里就没有PIL来的方便些

然后，我们对数据进行torch转换train_transform(imgRes)，并传递给神经网络进行识别

待识别完成后，就可以把结果备注在原始上

以上就是关于利用pytorch CNN手写字母识别神经网络模型识别多手写字母（A-Z）全部的内容，包括:利用pytorch CNN手写字母识别神经网络模型识别多手写字母（A-Z）、、等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！