3.2.2 手写数字识别系统交互流程设计

工作任务

手写数字识别系统是在数字化转型和自动化需求日益增长的社会背景下应运而生的。随着信息时代的到来，大量手写文档需要进行电子化处理，以提高数据存储、检索和分析的效率。深度学习的兴起，尤其是卷积神经网络(CNN)的发展，为手写数字的精准识别提供了强大的工具。

AI模型说明：提供的模型"mnist.onnx"是基于卷积神经网络训练得到的，专门用于进行手写数字的识别应用。

模型使用交互流程：

1）加载模型"mnist.onnx"；
2）加载一张本地手写数字图片"img_test.png"，并进行预处理以符合模型输入要求；
3）使用mnist模型对手写数字图片进行识别；
4）输出识别后的数字。

具体要求

（1）补全该模型的使用交互流程对应的Python代码（3.2.2.ipynb），实现本地测试图片"img_test.png"的识别，将其识别结果截图保存为jpg格式文件，命名为3.2.2-1.jpg。

（2）在上面的使用交互流程基础上，给出在手写数字识别系统中使用"mnist.onnx"模型的一种人机交互的最优流程，将其保存为docx文件，命名为3.2.2.docx。

场地设备要求

（1）人工智能训练师主机 1 台；（2）Python 编译环境；（3）Pytorch框架。

mnist.onnx存储位置：D:\jupyter_notebook\onnx

注意事项

在代码的橙色下划线处填写正确的 Python 代码
请勿修改源代码的其他部分
填写完成后点击 "检查答案" 查看评分
点击 "显示答案" 可直接查看所有参考答案
点击 "重置" 清空所有填写内容

当前得分

0 / 18

In [1] — 导入库 & 加载模型与图像 4分

import onnxruntime import numpy as np from PIL import Image # 加载ONNX模型 2分 ort_session = # 加载图像 2分 image = ('L') # 转为灰度图

In [2] — 图像预处理 8分

# 图像预处理 # 调整大小为MNIST模型的输入尺寸 2分 image = ((28, 28)) # 转为numpy数组 2分 image_array = (, dtype=np.float32) # 添加batch维度 2分 image_array = (, axis=0) # 添加通道维度 2分 image_array = (, axis=0)

In [3] — 模型推理与输出结果 6分

# 返回模型输入列表 2分 ort_inputs = {()[0].name: image_array} # 执行预测 2分 ort_outs = (None, ort_inputs) # 获取预测结果 2分 predicted_class = # 输出预测结果 print(f"Predicted class: {predicted_class}")

人工智能训练师（三级）实操考试 — 3.2.2 手写数字识别系统交互流程设计