凯拉斯·明斯特 概述 我们将建立一个识别手写数字图像（MNIST）的模型。 使用和超级简单的库开发。 使用 Micro Framework包装到Webapp中。 依存关系 现在，我们准备安装必要的依赖项。 我们项目所需的依赖项列表如下： 张量流（1.5.0） 凯拉斯（2.1.4） 烧瓶（0.12.2） h5py（2.7.1） 您可以使用以下命令同时安装所有这些： pip3 install tensorflow keras Flask h5py 卷积神经网络 在机器学习中，卷积神经网络（CNN，或ConvNet）是一类深层的前馈人工神经网络，已成功应用于分析视觉图像。 卷积神经网络是一种神经网络，它明确假设输入是图像，这使我们可以将某些属性编码到体系结构中。 构建ConvNet架构的层主要有三种类型：卷积层，池化层和完全连接层。 我们将堆叠这些层以形成完整的ConvNet体系结构

简单的预实验，教师模型4个隐藏层，学生模型2个隐藏层。另外可视化知识蒸馏的温度系数T的大小对知识蒸馏的影响。

基于MINST数据库的手写体数字识别CNN设计，其中CNN自己编程实现，包括卷积层，池化层以及激活层等，不使用matlab工具箱。matlab2021a或者高版进行测试。由于MINST数据库数据库较大，运行较慢，请耐心等待。

利用单层CNN网络提取手写体数字图像的特征，并采用双层全连接网络完成手写体数字的多分类任务。实验数据集选取无偏性较好的MNIST数据。

训练数据为28×28。经过9×9×20的滤波器矩阵滤波过后，提取出20×20×20的FeatureMap矩阵。将得到的特征矩阵经过ReLU激活函数后，求得Y1，Y1经过2×2的平均池化后，降低图像维度，得到Y2。分类子网络中采用“交叉熵+Softmax”和小批量算法的方法对数据进行训练，Y1经过Reshape函数转化为列向量，得到y2。y2再输入进分类子网络中。分类子网络采用BP策略，将误差向后传播，并更新网络中的权重值。

两种方法实现MINST分类 CNN方法

机器学习，字符分类

tensorflow2 搭建LeNet5训练MINST手写数字数据集

python实现车辆车牌识别技术，tersonflow技术，face-ID资源。下载不后悔

出现No module named ‘tensorflow.examples.tutorials 时下载到examples文件夹即可