项目简介

本项目运用对比学习对MNIST数据集开展预训练与分类工作。借助构建卷积神经网络模型，采用自定义的对比损失函数进行预训练，从而提取有用的特征表示。之后，在预训练模型的基础上搭建分类器，执行数字分类任务，并在测试集上评估其性能。

项目的主要特性和功能

1. 数据准备：从MNIST数据集加载训练和测试数据，利用自定义的DataGenerator生成器为对比学习任务生成minibatch样本和标签。
2. 模型构建：使用Keras构建卷积神经网络模型，涵盖用于对比学习的编码器和投影头。
3. 自定义对比损失函数：实现自定义的对比损失函数，用于计算模型在对比学习任务中的损失。
4. 预训练模型：通过对比学习任务训练模型，提取有用的特征表示。
5. TSNE可视化：运用t - SNE算法对模型提取的特征进行可视化，了解学习到的特征的分布情况。
6. 构建分类器：在预训练模型的基础上，添加多层感知器（MLP）层，用于最终的数字分类任务。
7. 训练分类器：使用标签训练分类器，并在测试集上评估其性能，报告分类任务的准确率。
8. 预测单个图像：添加功能，用于预测单个输入图像的数字标签。
9. 保存和加载模型：训练完成后，将分类器模型保存到文件中，便于在其他项目中重用或在训练中断后恢复训练。

安装使用步骤

环境准备

• 确保已安装Python 3.x。
• 安装必要的Python库：pip install numpy tensorflow keras matplotlib sklearn。

运行项目

1. 打开终端或命令行，导航到项目根目录。
2. 运行main.py文件：python main.py。

查看结果

• 项目运行后，将在终端输出分类任务的准确率。
• 可视化结果将通过matplotlib库显示，展示t - SNE降维后的特征分布图。

模型保存与加载

• 训练完成后，分类器模型将保存为mnist_classifier.h5文件。
• 可以使用test.py文件加载保存的模型，进行单个图像的预测测试。

通过以上步骤，您可以成功运行本项目，并利用预训练的模型进行MNIST数据集的数字识别任务。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】