HelloMNIST - 手写数字识别完整项目

基于PyTorch的深度学习项目，包含MLP和CNN两种神经网络模型，支持训练、保存、Web推理全流程。

---

📁 项目结构

项目采用分层架构，训练、推理、模型文件分离：

HelloMNIST/
│
├── 📂 train/                # 训练环境（仅需训练依赖）
│   ├── MLP.py               # MLP模型训练脚本
│   └── CNN.py               # CNN模型训练脚本
│
├── 📂 web/                  # Web推理环境（仅需推理依赖）
│   ├── app.py               # Flask推理服务器
│   └── templates/
│       └── index.html       # 交互式手写界面
│
├── 📂 models/               # 模型存储目录
│   ├── mlp_model.pth        # 训练好的MLP模型参数
│   └── cnn_model.pth        # 训练好的CNN模型参数
│
├── 📄 README.md             # 项目说明（本文档）
└── ⚙️ pyproject.toml        # 项目配置文件

目录说明：

• train/ - 训练相关代码，依赖PyTorch、torchvision
• web/ - Web推理服务，依赖Flask、Pillow
• models/ - 模型存储目录（由训练脚本自动生成）

---

🚀 快速开始

1. 环境准备

# 安装uv包管理器（如果还没安装）
pip install uv

# 克隆项目
git clone git@github.com:HandyWote/HelloMinist.git
cd HelloMNIST

2. 训练模型（需要安装训练依赖）

uv pip install -e ".[training]"
cd train
uv run MLP.py
uv run CNN.py

• 输出：模型保存到 models/ 目录

3. 启动Web服务（需要安装Web依赖）

uv pip install -e ".[web]"
cd web
uv run app.py

服务启动后，访问 http://127.0.0.1:5002

4. 使用界面

1. 绘制数字：在左侧画布上用鼠标写数字（0-9）
2. 选择模型：
   • MLP分析：使用全连接神经网络
   • CNN分析：使用卷积神经网络（推荐）
3. 查看结果：右侧显示预测数字和10个类别的概率分布
4. 重置画布：点击"重置画布"清除

---

🎓 进阶使用

数据增强训练

MLP.py和CNN.py已添加数据增强：

transforms.RandomRotation(15)              # 随机旋转±15度
transforms.RandomAffine(0, translate=(0.1, 0.1))  # 随机平移
transforms.RandomPerspective()             # 随机透视变换

重新训练：

# 删除旧模型
rm mlp_model.pth cnn_model.pth

# 重新训练
uv run MLP.py
uv run CNN.py

调整线条粗细

如果需要更细的笔画：

// 修改 templates/index.html 第457行
ctx.lineWidth = 8;  // 从20改成8或10

---

📦 模型文件说明

mlp_model.pth / cnn_model.pth

存储位置：models/ 目录

加载方式：

# 由 web/app.py 自动加载
checkpoint = torch.load('../models/mlp_model.pth')
model.load_state_dict(checkpoint['model_state_dict'])
model.eval()

---

📄 许可证

MIT License - 可自由使用、修改、分发

---

最后更新：2025年11月30日