MNIST训练样本和测试样本。总共四个文件。完全可以在http://yann.lecun.com/exdb/mnist/ 下载

使用scikit-learn在python中进行SVM MNIST数字分类 该项目提出了的众所周知的问题。 出于本教程的目的，我将使用具有原始像素特征的算法。 该解决方案使用易于使用的机器学习库以python编写。 该项目的目标不是达到最先进的性能，而是教您如何使用sklearn的SVM在图像数据上训练SVM分类器。 尽管该解决方案并未针对高精度进行优化，但结果还是不错的（请参见下表）。 如果您想获得最佳性能，这两个资源将向您展示当前的最新解决方案： 下表显示了与其他模型相比的一些结果： 方法 准确性 评论 随机森林 0.937 简单的一层神经网络 0.926 简单的2层卷积网络 0.981 支持向量机 0.9852 C = 5，伽玛= 0.05 线性SVM + Nystroem内核逼近 线性SVM +傅立叶核逼近 项目设置 本教程是在Ubuntu 18.10上编写和测试的。 项目包含具有所有必要库的Pipfile Python-版本> = 3.6 pipenv-软件包和虚拟环境管理 麻木 matplotlib scikit学习 安装Python。 git克隆仓

时尚MNIST 简单的时尚配饰使用Tensorflow keras库中的Fashion MNIST数据集对预测进行建模。 安装和使用。 该项目使用pipenv进行依赖项管理。 您需要确保在系统上安装了pipenv 。 这是安装依赖项并开始使用的方法。 使用pipenv sync -d安装它 完成后，生成一个shell来运行文件： pipenv shell 完成后，您可以运行任何文件，并进行测试。 添加您自己的图像。 有时，要尝试对新图像进行predictions.py并使用predictions.py测试，则需要添加它们。 这是操作方法。 将图像添加到images文件夹中。 如果要测试它们，请转至src/predictions.py ，然后将其替换为您的图像名称。 看起来像这样： np.array([get_image("...") 。 由Sunrit Jana制造，<3

GAN_fashion_MNIST 基于流行的MNIST生成图像的基本gan 运行说明：只需运行gan.py 对DL4J.com的引用，以上代码改编自它们的代码

时尚男装

本资源与本人CSDN文章《全站最详细的Python numpy 搭建全连接神经网络模型教程（理论计算+代码实现）（不止能预测手写数字数据，准确率93.21%）》相配套。里面包含6万条原始手写数据、本人编写的全连接神经网络模型程序，以及一个训练好的准确率为93.21%的全连接神经网络模型。程序的调用建议参考文章的说明。

口语数字识别 :studio_microphone: LSTM语音数字识别 内容 概述 语音数字识别是一个隔离的单词识别系统，可转录0-9之间的各个语音号码。 数据集 使用免费语音数字数据集（FSDD）来训练该模型，该模型具有来自3位讲英语且带有重音的扬声器的1,500张录音。 该模型接受了1,470张唱片的训练，并在30张唱片上进行了测试。 模型与训练 该模型包括： LSTM层 全连接层 损失函数：分类交叉熵 优化算法：亚当 模型在300个时代进行了训练。 改进和要添加的功能 数据集需要更多不同类型的发言人，包括不同性别和不同口音的人，以便该系统在世界范围内正常运行 模型本身可以改进 使用更好的培训/测试策略 具有使用自己的声音来测试模型的界面，使前端易于与模型进行交互 改善模型性能 基本上，这是我的实验，旨在了解如何构建仅检测语音数字的语音识别系统。 用法 python spoke_digit.py为了运行

深度学习训练神经网络模型时使用的MNIST数据集，来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST). 训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员. 测试集(test set) 也是同样比例的手写数字数据

ChineseMnist 中文手写字识别 python 15000张手写中文数据集 使用KNN模型进行分类

Mnist python图片识别。 带网页端可上传手写字图片进行预测识别 使用SVM和ANN两种模型进行实现