日本古代手抄本中的手写文字分类数据集，数据集以(28x28灰度，70000张图像)的临时替代品，以原始MNIST格式和NumPy格式提供 日本古代手抄本中的手写文字分类数据集，数据集以(28x28灰度，70000张图像)的临时替代品，以原始MNIST格式和NumPy格式提供

圣诞节素材PSD软件 诞愿有你一路同行手写艺术字.zip

linux下书写识别小测试，使用knn,dwt算法，基于QT．提高识别率可扩展练习库．

手写蒙古西里尔字母数据集，手写蒙古西里尔字母(HMCC)数据库包含28x28灰度标记的手写蒙古西里尔字母图像，包括草书和伪造风格，并以模仿MNIST和EMNIST数据库的方式创建。这是一个新的西里尔字母数据库，样本量充足。

基于matlab的汉字数字字符识别。手写汉字，字符，字母，数字，带界面，方法可以是模板匹配，sift，hu不边矩，神经网络等等。

机器学习课程作业_基于卷积神经网络的手写数字识别matlab源码+项目说明.zip 函数说明： read_label和read_image分别为读取标签和图像数据点的函数 convolve是实现卷积的函数，pool是实现池化的函数 SGD_MSGD是主函数，可以直接运行得到答案(把minibatch设为1就是SGD，大于1就是MSGD） OPTIMAL是优化版的主函数，可以直接运行得到答案 OPTIMAL_FINALE是最终优化版的主函数，可以直接运行得到答案 toolbox是用工具箱函数写的CNN，可以直接运行得到答案

生成对抗网络实现手写数字生成

深度学习作业_基于pytorch框架python实现手写数字识别完整源码+代码注释+实验报告.zip 使用MNIST手写数字体数据集进行训练和预测，实现测试集准确率达到98%及以上。本实验的目的： 掌握卷积神经网络基本原理，以LeNet为例 掌握主流框架的基本用法以及构建卷积神经网络的基本操作 了解如何使用GPU

基于python实现的BP神经网络手写数字识别模型实验源码+详细注释+数据集+项目说明+实验结果及总结.7z 人工智能 课程作业 手写数字数据集 BP网络模型识别手写数字 反向传播（英语：Backpropagation，缩写为BP）是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。反向传播要求有对每个输入值想得到的已知输出，来计算损失函数梯度。因此，它通常被认为是一种监督式学习方法。反向传播要求人工神经元（或“节点”）的激励函数可微。

基于python实现的CNN卷积神经网络手写数字识别实验源码+详细注释+数据集+项目说明+实验结果及总结.7z 人工智能课程作业 手写数字识别 数据集 详细注释 好理解 实验结果及总结 基于python实现的CNN卷积神经网络手写数字识别实验源码+详细注释+数据集+项目说明+实验结果及总结.7z