一、前述本文讲述用Tensorflow框架实现SoftMax模型识别手写数字集，来实现多分类。
原创
2022-12-30 16:45:17
100阅读
本文将用卷积神经网络模型，对手写数字集minist进行分类识别，用的框架是keras。MNIST是一个手写体数字的图片数据集，该数据集来由美国国家标准与技术研究所发起整理，一共统计了来自250个不同的人手写数字图片，其中50%是高中生，50%来自人口普查局的工作人员。该数据集的收集目的是希望通过算法，实现对手写数字的识别。训练集一共包含了 60,000 张图像和标签，而测试集一共包含了 10,00
转载
2024-05-05 13:49:28
197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
一、模型结构用户输入的图像是一个784维的向量x,我们按照以下步骤搭建网络： 1、把x整形为【28， 28， 1】的灰度图 2、用一次3x3的卷积操作从x中抽象出32个基本特征，图像形状变成【28， 28， 32】，这些特征可以是特殊灰度的点，长度不超过3的短直线、曲线或者其他形状等。32种特征与32个通道一一对应。卷积操作有一个重要作用：从当前输入的图像所拥有的特征出发，抽象出高一级的特征。所以
转载
2024-04-23 10:35:17
137阅读
https://www.kaggle.com/kakauandme/tensorflow deep nn 本人只是负责将这个kernels的代码整理了一遍，具体还是请看原链接 import numpy as np import pandas as pd import tensorflow setti
原创
2021-07-16 11:03:12
379阅读
本篇解读了基于BERT+CRF做中文NER这篇文章中的代码，在该篇作者的GitHub上可以下载源码：源代码。这段代码对BERT模型的实现较为简洁，删掉了谷歌源代码中我们可能用不到的部分，保留了核心部分。对于那些想要快速上手BERT的同学是非常好的学习机会，在看懂这个之后再去学习谷歌的源代码会更加轻松，本篇将尽量详细的对代码进行解读，看完之后如果有合适的数据集就可以自己运行起来了，建议先从原作者的G
import tensorflow as tffrom tensorflow import kerasfashion_mnist=keras.datasets.fashion_mnist(train_images,train_labels),
原创
2022-05-17 12:46:06
119阅读
按照惯例，我还是会将实现过程详细的记录下来，并将源码放在github上，敬请关注。原计划写一写生成对抗网络(GAN)的，因为有了这样一个小目标，只能先暂时放一放。OCR首先来说一说OCR(Optical Character Recognition，光学字符识别)。OCR是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的
相信很多初学者和我一样，虽然用了那么久的tensorflow，也尝试了很多的实例，但那些实例基本都是直接利用官方文档现成的MNIST和cifar_10数据库，而一旦需要自己构建数据集时，完全不知道该如何制作并输入自己改的数据。另外，虽然也有一些人提供了相关的操作，但是总是或多或少存在各种各样的问题。今天给大家分享我的Tensorflow制作数据集的学习历程。 TensorFlow提供了标准的TFR
import torch # 引入模块PyTorch from torchvision import transforms # 从torch视觉中引入转换函数 from torchvision import datasets # 导入数据库 from torch.utils.data import ...
转载
2021-09-06 22:10:00
278阅读
2评论
在整个数据集上迭代3次，且数据集划分了batch，每用一个batch就更新一次梯度，这就
原创
2023-04-19 17:27:33
90阅读
概述TensorFlow读取数据，官网介绍的方法有3种:预加载数据 (Preloaded data)： 在Graph中定义常量或变量来保存数据。供给数据 (Feeding)： 在Graph运行中将Python代码产生好的数据供给TF后端。 从文件读取数据 (Reading from file)： 在Graph的起始， 利用输入管线直接从文件中读取数据(最常用)。看官网上这么写，还是不太清
转载
2024-05-29 07:02:54
48阅读
前言Counting-Aware Network(CAN)-手写数学公式识别网络是好未来与白翔团队一起发布的一篇2022年的被ECCV收录的论文，该论文旨在缓解目前大部分基于注意力机制的手写数学公式识别算法在处理较长或者空间结构较复杂的数学公式时，容易出现的注意力不准确的情况。该论文通过将符号计数任务和手写数学公式识别任务联合优化来增强模型对于符号位置的感知，并验证了联合优化和符号计数结果都对公式
转载
2024-04-19 13:18:05
142阅读
本篇文章通过TensorFlow搭建最基础的全连接网络，使用MNIST数据集实现基础的模型训练和测试。MNIST数据集MNIST数据集：包含7万张黑底白字手写数字图片，其中55000张为训练集，5000张为验证集，10000张为测试集。每张图片大小为28X28像素，图片中纯黑色像素值为0，纯白色像素值为1。数据集的标签是长度为10的一维数组，数组中每个元素索引号表示对应数字出现的概率。在将MNIS
原创
2021-02-27 22:42:37
739阅读
该文章出自于ADDOPS团队，通过上一篇《三分钟读懂tensorflow》，相信大家对tensorflow的核心概念以及编程模式有了有了一定的了解，今天该文章将结合一个手写数字识别（MNIST）模型来进一步了解tensorflow的使用。希望能激发起大家的一些兴趣.
原创
2021-08-05 17:49:43
438阅读
官方文档： MNIST For ML Beginners - https://.tensorflow.org/get_started/mnist/beginners Deep MNIST for Experts - https://.tensorflow.org/get_started/
转载
2018-05-22 23:13:00
348阅读
2评论
本篇文章在上篇TensorFlow-手写数字识别（二）的基础上，将全连接网络改为LeNet-5卷积神经网络，实现手写数字识别。引言全连接网络：每个神经元与前后相邻层的每一个神经元都有连接关系，输入是特征，输出为预测的结果。
原创
2021-06-15 10:42:27
474阅读
一、引言深度学习在计算机视觉、自然语言处理等众多领域取得了显著成就，手写数字识别作为其中一个经典且基础的任务，是学习深度学习的理想切入点。本文将基于 TensorFlow 框架，详细介绍手写数字识别的实现过程，从基础的模型构建到进阶的优化策略，涵盖数据处理、模型搭建、训练与评估等关键步骤。二、数据准备2.1 数据集介绍我们使用 MNIST 数据集，它包含 60000 张训练图像和 10000 张测
之前我们讲了神经网络的起源、单层神经网络、多...
转载
2018-05-08 20:44:00
240阅读
2评论
本篇文章在上篇TensorFlow-手写数字识别（二）的基础上，将全连接网络改为LeNet-5卷积神经网络，实现手写数字识别。1引言全连接网络：每个神经元与前后相邻层的每一个神经元都有连接关系，输入是特征，输出为预测的结果。参数个数：Σ(前层x后层+后层)如之前用于手写识别的3层全连接网络，输入层784个节点，隐藏层500个节点，输出层10个节点。则：隐藏层参数：748*500+500输出层参数：
原创
2021-02-27 22:55:59
1031阅读
