纯仓颉手写数字识别

项目简介

本项目实现了一个 基于 BP 神经网络的手写数字识别，使用纯 仓颉（Cangjie）语言完成，并针对矩阵运算进行了优化，利用 spawn {} 协程并行处理，使训练耗时相比串行实现减少约 4 倍。 网络使用 Adam 优化器，一个 epoch 即可基本收敛，适合快速验证和实验。

---

功能特点

• 纯仓颉实现：无需依赖 Python、TensorFlow、PyTorch 等深度学习框架。
• 协程加速矩阵运算：利用 spawn {} 并行计算，实现矩阵乘法、梯度更新等操作加速。
• Adam 优化器：在 BP 网络训练中自适应调整学习率，提高收敛速度。
• 高效训练：在 MNIST 数据集上，一个 epoch 即可达到较高精度。

---

数据集

• MNIST 手写数字数据集

  • 训练集：train-images-idx3-ubyte（60,000 张 28x28 灰度图）
  • 标签：train-labels-idx1-ubyte
  • 测试集：t10k-images-idx3-ubyte（10,000 张 28x28 灰度图）
  • 标签：t10k-labels-idx1-ubyte

数据集下载链接（Yann LeCun 官方）： http://yann.lecun.com/exdb/mnist/

---

网络结构

层类型	输入大小	输出大小	激活函数
输入层	784	-	-
隐藏层	784	500	ReLU
输出层	500	10	Softmax

• 学习率: 0.005
• 正则化系数: 0.01
• Batch Size: 200
• Epochs: 1

性能表现

• 协程优化矩阵运算，使训练耗时下降约 4 倍。
• 一个 epoch 即可基本收敛，测试集准确率可达到 约 90%-92%（与参数和初始化相关）。

---

文件结构

.
├─ main.cj             # 主程序
├─ BPNetwork.cj        # BP神经网络实现
├─ Trainer.cj          # 训练器实现
├─ MatrixUtils.cj      # 矩阵运算工具类实现
├─ MNISTLoader.cj      # MNIST 数据加载器
└─ README.md           # 项目说明

---

参考

• MNIST 数据集官方页面
• BP 神经网络原理
• Adam 优化器论文