[发明专利]手写数字识别方法、装置、电子设备及计算机存储介质

说明书

本申请提供了一种手写数字识别方法、装置、电子设备及计算机存储介质。该手写数字识别方法，获取待识别的手写数字图像；将待识别的手写数字图像输入预设的手写数字识别模型，输出识别结果；其中，手写数字识别模型是利用训练样本集对改进后的AlexNet网络结构进行模型训练得到的，改进后的AlexNet网络结构的激活函数是Leaky Softplus函数。根据本申请实施例，能够准确地识别手写数字。

技术领域

本申请属于金融领域，尤其涉及一种手写数字识别方法、装置、电子设备及计算机存储介质。

背景技术

在金融领域，数字手写是一种很常见的操作行为。无论是客户在银行网点办理业务，亦或是银行员工在工作上处理某些业务，总会免不了在许多场景下需要手写数字。手写数字识别属于图像分类领域。图像分类算法的任务是判断该图像所属的类别。图像，往往是将其作为模型的输入放到神经网络内，让神经网络学习到图像的特征后进行比对。

图像分类任务用到的神经网络模型通常需要用到一个或多个激活函数来接收上一层非线性的神经元输出。常见的激活函数有：(1)sigmoid(2)softmax(3)ReLU(4)Tanh。但是，这些激活函数各自存在如下问题：

Sigmoid激活函数：(1)计算复杂。(2)函数的输出值并非以0为中心化。(3)由于sigmoid激活函数的一阶导函数的函数值会很快的从0开始又回归于0，sigomid激活函数容易出现梯度消失的情况。(4)值域不够广。

Softmax激活函数：(1)Softmax并不要求类内紧凑和类间分离，也就是说类内和类间特征的区分度不明显。

ReLU激活函数：(1)当输入大于0时，虽然计算很快，但是函数曲线不够平滑。(2)函数的拟合过快。(3)当输入小于0时，可能会出现神经元“死亡”的问题。即某些神经元永远不会被激活。这很有可能导致某些特征永远不会被学习到。

Tanh激活函数：(1)计算复杂。(2)输入过大时存在梯度消失的情况，使得计算缓慢。

由于这些激活函数存在上述问题，故无法准确地识别手写数字。

因此，如何准确地识别手写数字是本领域技术人员亟需解决的技术问题。

发明内容

本申请实施例提供一种手写数字识别方法、装置、电子设备及计算机存储介质，能够准确地识别手写数字。

第一方面，本申请实施例提供一种手写数字识别方法，包括：

获取待识别的手写数字图像；

将待识别的手写数字图像输入预设的手写数字识别模型，输出识别结果；其中，手写数字识别模型是利用训练样本集对改进后的AlexNet网络结构进行模型训练得到的，改进后的AlexNet网络结构的激活函数是Leaky Softplus函数，Leaky Softplus函数的表达式为：

式中，a为预设参数。

可选的，训练样本集为MNIST数据集，在将待识别的手写数字图像输入预设的手写数字识别模型，输出识别结果之前，方法还包括：

利用MNIST数据集对改进后的AlexNet网络结构进行模型训练，得到手写数字识别模型。

可选的，利用MNIST数据集对改进后的AlexNet网络结构进行模型训练，得到手写数字识别模型，包括：

对MNIST数据集进行预处理；

利用预处理后的MNIST数据集对改进后的AlexNet网络结构进行模型训练，得到手写数字识别模型。

可选的，对MNIST数据集进行预处理，包括：