文章目录前言一、 k-近邻算法（KNN）1.算法介绍2.举个例子——电影分类3.步骤描述4.来了——代码实现二、实战之约会网站配对效果判断1.导入数据2.分析数据3.数据归一化4. 测试算法→使用错误率来检测性能5. 构建完整的系统6.总结分析三、实战之手写数字识别1.准备数据2.使用算法识别手写数字3.改进升华主题 前言K-近邻算法（k-Nearest Neighbor algorithm），
如果只想大致理解下随机森林的原理请看第一部分，第二部分是对原论文的研读（灰色引用标记的为证明或自己的理解），这部分可能需要花的时间比较长，不需要的可以忽略。 此外，文末列出来的参考视频，如果读论文还是不太懂个人觉得很有必要看看，会加深理解，因为读完论文再看了一遍也让我对之前脑海中的袋外估计、特征重要性等内容有了推掉重来的印象。第一部分：理解随机森林（Random forest，简称RF）是由Leo
转载
2024-05-27 21:09:39
40阅读
文章目录前提介绍CNN结构输入层卷积层池化层全连接层实现定义输入输出输入层卷积层1池化层1卷积层2&池化层2flat(平坦化)全连接层dropout层输出层损失训练准确率图初始化数据流动 前提介绍本文通过TensorFlow利用Mnist数据集来实现CNN，因为大名鼎鼎的Mnist被收录在了TensorFlow中，所以我们只需要直接调用就可以使用该数据集了。from tensorflow
转载
2024-09-11 13:44:07
86阅读
手写数字识别 Digit Recognizer 在这次Machine Learning中，我做一个比较经典的手写数字识别的一个项目，巩固一下自己所学的知识，也带领大家进入神经网络的时代，神经网络可以在这个分类任务上大展身手，万物皆可卷积。如果想了解更多的知识，可以去我的机器学习之路 The Road To Machine Learning通道 目录OverView 项目概述Data Descr
文章目录@[TOC]数据准备导入需要的模块将数据转换为tensor导入训练集和测试集数据加载器数据展示创建模型定义损失函数定义优化函数定义训练和测试函数开始训练数据准备导入需要的模块import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import numpy a
转载
2023-09-27 19:35:32
93阅读
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
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
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
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
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
实验目的： （1）了解前馈神经网络、反馈神经网络、自组织神经网络 （2）掌握神经网络的应用 使用BP神经网络，完成手写数字的识别 1、 打开图片并对图片进行灰度化处理。 这里使用convert（）函数处理。2将图片转化为二维数组。 调用getImageData模块的ImageData类的getData函数，使用numpy库的asarray方法将其转换为数组。2、 将图片二值化。 图片
转载
2023-12-15 09:10:58
44阅读
文章目录项目简介项目下载地址项目开发软件环境项目开发硬件环境前言一、数据加载的作用二、Pytorch进行数据加载所需工具2.1 Dataset2.2 Dataloader2.3 Torchvision2.4 Torchtext2.5 加载项目需要使用的库三、加载MINIST数据集3.1 数据集简介3.2 数据预处理3.3 加载数据集四、模型构建五、CrossEntropyLoss5.1 Soft
PCA 用于数据降维，减少运算时间，避免过拟合。 PCA(n_components=150,whiten=True)n_components参数设置需要保留特征的数量，如果是小数，则表示保留特征的比例;设为大于零的整数，会自动的选取n个主成分-whiten: 默认为False，若为True表示做白化处理，白化处理主要是为了使处理后的数据方差都一致PCA降维识别手写数字导包import numpy
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
之前加载s创建个python爬虫实战专栏，感兴趣的小伙伴可以去看看，后面遇到比较好的网站也会持续更新。现在再创建个专栏Tensorflow2.0实战，同样会持续更新，今天以MNIST数据集为例，进行训练，最后用训练的模型进行预测自己手写的数字。MNIST数据集包含60000用于训练的示例和10000个用于测试的数据，图像里面的数字位于图像的中间位置，像素大小28*28，向下面这张图片一样，显示数字
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
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
121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
