python，机器学习，kNN,手写数字识别
一、kNN算法1、kNN算法是机器学习的入门算法，其中不涉及训练，主要思想是计算待测点和参照点的距离，选取距离较近的参照点的类别作为待测点的的类别。2，距离可以是欧式距离，夹角余弦距离等等。3，k值不能选择太大或太小，k值含义，是最后选取距离最近的前k个参照点的类标，统计次数最多的记为待测点类标。4，欧式距离
MNIST数据集手写数字识别1.数据集介绍MNIST 包括6万张28x28的训练样本，为手写数字，1万张测试样本。2. 手写数字识别import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, trans
转载
2023-10-08 08:27:42
132阅读
目录一：手写数字模型构建与保存二：手写数字模型使用与测试一：手写数字模型构建与保存1 加载数据集# 1加载数据
digits_data = load_digits()可以先简单查看下 手写数字集，如下可以隐约看出数字为8plt.imshow(digits_data.images[8])
plt.show()2 特征数据 标签数据# 数据划分
x_data = digits_data.data
y_
转载
2024-03-28 21:53:19
113阅读
利用CNN进行手写数字识别代码详解（新手学习）首先先附上完整代码，接下来进行分解介绍。# Copyright 2015 The TensorFlow Authors. All Rights Reserved.
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file
转载
2024-06-03 10:18:59
53阅读
Tensorflow+CNN下的mnist数据集手写数字识别加载数据集MNIST数据集包含55000个训练样本，10000个测试样本，还有5000个交叉验证数据样本。输入：加载的每个手写数字图像是28 x 28像素大小的灰度图像。为了简化起见，将28x28的像素点展开为一维数据(shape=784)。输出：每张测试图片的预测结果y为一个10维数组，数组中值的取值范围为[0,1],使用tf.argm
转载
2024-06-07 21:08:09
154阅读
一、引言 前一篇博文使用单隐层的全连接神经网络，并结合一些神经网络的优化策略，如指数衰减学习率、正则化、Relu激活函数和Adam优化算法等，用包含100个隐层神经元的神经网络实现了MNIST数据集上手写数字识别98%的准确率。但是全连接神经网络也是有局限的，即使使用很深的网络、很多的隐层结点、很大的迭代轮数，也很难在MNIST数据集上得到99%以上的准确率。不过，卷积神经网络的出现解决了这一问题
转载
2023-10-08 08:10:57
160阅读
1. 知识点准备在了解 CNN 网络神经之前有两个概念要理解，第一是二维图像上卷积的概念，第二是 pooling 的概念。a. 卷积关于卷积的概念和细节可以参考这里,卷积运算有两个非常重要特性，以下面这个一维的卷积为例子：第一个特性是稀疏连接。可以看到， layer m 上的每一个节点都只与 layer m-1 对应区域的三个节点相连接。这个局部范围也叫感受野。第二个特性是相同颜色的线条代表了相同
转载
2023-10-12 12:25:32
101阅读
1. 知识点准备在了解 CNN 网络神经之前有两个概念要理解，第一是二维图像上卷积的概念，第二是 pooling 的概念。a. 卷积关于卷积的概念和细节可以参考这里,卷积运算有两个非常重要特性，以下面这个一维的卷积为例子：第一个特性是稀疏连接。可以看到， layer m 上的每一个节点都只与 layer m-1 对应区域的三个节点相连接。这个局部范围也叫感受野。第二个特性是相同颜色的线条代表了相同
转载
2024-06-20 10:23:43
44阅读
手写数字识别这次，我们使用CNN来实现手写数字识别。 CNN主要的层次：输入层卷积层激励层池化层全连接层CNN（Convolutional neural network），即卷积神经网络。卷积为理解为一个信号与另外一个信号进行叠加，产生新的信号的过程。 在卷积神经网络中，可认为具有固定权重的滑动窗口与原窗口的数据进行对位相乘再相加的过程。 卷积的过程：http://cs231n.github.io
转载
2024-04-25 13:09:52
126阅读
EX3：神经网络手写数字识别（多类分类）之前实现了多类逻辑回归来识别手写数字。 然而，逻辑回归不能形成更复杂的假设，因为它只是一个线性分类器。 （虽然可以向其中添加多项式特征，但训练成本可能非常高。）在这部分练习中，将使用与之前相同的训练集实现一个神经网络来识别手写数字。 神经网络将能够表示形成非线性假设的复杂模型。目标是实现前馈传播算法。1.数据读取import numpy as np
from
目录基础理论 一、训练CNN卷积神经网络1、载入数据2、改变数据维度3、归一化4、独热编码5、搭建CNN卷积神经网络 5-1、第一层：第一个卷积层5-2、第二层：第二个卷积层5-3、扁平化5-4、第三层：第一个全连接层5-5、第四层：第二个全连接层（输出层）6、编译7、训练8、保存模型代码二、识别自己的手写数字（图像）1、载入数据2、载入训练好的模型3、载入自己写的数字图片并设
训练过程import cv2 as cv
import input_data
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import sys
from PIL import Image, ImageFilter
import os
import time
os.environ["CUDA_DEVICE_ORDER"] =
转载
2024-06-07 19:22:48
89阅读
本文的主要目的是教会大家运用google开源的深度学习框架tensorflow来实现手写体数字识别，给出两种模型，一种是利用机器学习中的softmax regression作分类器，另一种将是搭建一个深度神经网络以达到99%正确率的手写体数字识别模型。 其次，理解tensorflow工作流程和运行机制。最后，也会让大家了解一下深度神经网络的搭建过程。第一种模型我们知道，做机器学习的项目离不开数据，
转载
2024-03-28 11:53:10
67阅读
一、问题与解决方案通过多元分类算法进行手写数字识别，手写数字的图片分辨率为8*8的灰度图片、已经预先进行过处理，读取了各像素点的灰度值，并进行了标记。其中第0列是序号（不参与运算）、1-64列是像素值、65列是结果。我们以64位像素值为特征进行多元分类，算法采用SDCA最大熵分类算法。 二、源码 先贴出全部代码： namespace MulticlassClassifica
转载
2024-08-08 08:37:51
39阅读
本文主要实现CNN卷积神经网络实现MNIST手写数字识别中的前向传播，其中的参数（权重与偏置）由文章“CNN卷积神经网络实现MNIST手写数字识别（一）训练得到本文与“CNN卷积神经网络实现MNIST手写数字识别（二）的区别在于：在前向传播过程中，所用的卷积函数、池化函数、不同层之间的数据传递均由自己手写完成，未调用任何官方函数。通过对本代码的编写，本人对卷积神经网络有了较为深入的了解，同时也可以
转载
2024-02-19 14:33:38
26阅读
基于CNN的手写数字识别算法内容介绍算法原理实验环境实验步骤实验结果 内容介绍卷积神经网络（Convolutional Neural Network，CNN） 卷积神经网络相较于传统的图像处理算法的优点之一在于避免了对图像复杂的前期预处理过程，卷积神经网络可以直接输入原始图像进行一系列工作，从而提供了一个端到端的解决方案。 根据实际问题构造出网络结构，参数的确定则需要通过训练样本和学习算法来迭代
转载
2024-07-31 15:37:28
118阅读
一、用CNN实现手写数字识别import tensorflow as tf
import numpy as np
from sklearn.datasets import load_digits
import time
print( time.ctime() )
digits = load_digits()
X_data = digits.data.astype(np.float32)
Y_d
转载
2023-10-08 08:19:07
230阅读
一：KNN算法介绍1.1 简介KNN算法即k最近邻分类算法，是机器学习的一种。从训练样本集中选取k个与测试样本“距离”最近的样本，这k个样本中出现频率最高的类别作为该测试样本的类别。1.2 要求目标：分类未知类别的案例。 输入：待分类未知类别案例项目（测试集），已知类别案例集合D（训练集）。 输出：未知类别案例的可能分类。1.3 步骤下面是一个常见的一个二分类示意图。 其中已知类别为三角形与
转载
2024-09-30 14:10:03
45阅读
手写数字识别一致是一个机器学习里面常见的案例，今天通过CNN来实现一个手写数字
原创
2022-11-16 19:27:02
429阅读
———————————————————————————————————— ————————————————————————————————————这个实验的内容是：基于TensorFlow，实现手写数字的识别。这里用到的数据集是大家熟知的mnist数据集。mnist有五万多张手写数字的图片，每个图片用28x28的像素矩阵表示。所以我们的输入层每个案列的特征个数就有28x28=784个；因
