CCRS — CNN 中文手写汉字识别系统

仓库：MuZiCul/CCRS（原创）· 语言：Python · 定位：Chinese Character Recognition System

⚠️ 重要更正：README 中的代码示例写的是 PyTorch（nn.Module、torch），但实际代码使用的是 TensorFlow/Keras。以下分析基于真实源码（models/cnn_model.py、train.py）。

项目简介

基于 CNN 的中文手写汉字识别系统，覆盖数据预处理、模型训练、预测分类的完整流程，并提供 Flask Web 界面。

真实模型架构（源码）

models/cnn_model.py 使用 Keras Sequential：

import tensorflow as tf
from tensorflow.keras import layers, models

def build_model(input_shape, num_classes):
    model = models.Sequential([
        # 第一个卷积块
        layers.Conv2D(32, (3, 3), activation='relu', input_shape=input_shape),
        layers.BatchNormalization(),
        layers.MaxPooling2D((2, 2)),

        # 第二个卷积块
        layers.Conv2D(64, (3, 3), activation='relu'),
        layers.BatchNormalization(),
        layers.MaxPooling2D((2, 2)),

        # 第三个卷积块
        layers.Conv2D(128, (3, 3), activation='relu'),
        layers.BatchNormalization(),
        layers.MaxPooling2D((2, 2)),

        # 全连接层
        layers.Flatten(),
        layers.Dropout(0.5),
        layers.Dense(1024, activation='relu'),
        layers.Dropout(0.5),
        layers.Dense(num_classes, activation='softmax')
    ])
    return model

设计要点：每个卷积块都配 BatchNormalization（加速收敛、稳定训练），全连接层用 双重 Dropout(0.5) 抑制过拟合，输出层 softmax 多分类。

训练流程（源码亮点）

train.py 的 train_model() 有几个实用的工程细节：

1. GPU 显存增长配置

if not use_gpu:
    tf.config.set_visible_devices([], 'GPU')   # 强制 CPU 训练
else:
    gpus = tf.config.list_physical_devices('GPU')
    for gpu in gpus:
        tf.config.experimental.set_memory_growth(gpu, True)  # 按需分配显存
    # 打印 GPU 详细信息
    for gpu in gpus:
        gpu_details = tf.config.experimental.get_device_details(gpu)

2. 训练控制字典（支持暂停/停止）

training_control = {'should_pause': False, 'should_stop': False}

这是个很实用的设计——Web 界面可以随时暂停/中止训练，而不是让训练循环跑到底。配合 progress_callback 回调实时回报进度。

3. 日志双输出

logging.basicConfig(
    handlers=[logging.FileHandler('training.log'), logging.StreamHandler()]
)

文件持久化 + 控制台实时输出。

项目结构（真实目录）

CCRS/
├── app.py          # Flask Web 入口
├── train.py        # 训练脚本（TensorFlow + 进度回调 + 暂停/停止控制）
├── predict.py      # 预测脚本
├── config.py       # 配置
├── models/
│   ├── cnn_model.py  # 模型定义（Keras Sequential）
│   └── default/      # 默认模型存放
├── utils/          # 工具函数（数据集加载等）
├── data/           # 数据
├── static/  templates/  # 前端
└── requirements.txt

README 中的算法设计（文档层面）

README 详细描述了这些进阶主题（部分属于设计文档、未在核心训练代码中完整实现）：

Focal Loss：alpha=1, gamma=2，解决汉字类别不平衡
Warm-up + cosine 退火：前 5 轮预热，之后 lr = lr0 * 0.5 * (1 + cos(π*(epoch-5)/(num_epochs-5)))
早停机制：patience=7 监控验证损失
模型集成：多模型平均投票
权重剪枝：prune.global_unstructured + L1Unstructured
特征可视化：注册 forward hook 提取中间层特征图

点评

我做了几处工程化处理：Flask Web 界面 + 进度回调 + 暂停/停止控制 + 日志双输出 + GPU 显存优化。模型本身是标准的三层 CNN + BatchNorm + Dropout。

文档与代码存在不一致（README 写 PyTorch、代码是 TensorFlow）是需要注意的问题——提醒我们：写技术博客/文档时要以源码为准。