官网下载的mnist数据集，caffe训练使用；压缩包中包含 train-images-idx3-ubyte.gz、train-labels-idx1-ubyte.gz、t10k-images-idx3-ubyte.gz、t10k-labels-idx1-ubyte.gz 四个数据包。

CGAN的全拼是Conditional Generative Adversarial Networks，条件生成对抗网络，在初始GAN的基础上增加了图片的相应信息。 这里用传统的卷积方式实现CGAN。 import torch from torch.utils.data import DataLoader from torchvision.datasets import MNIST from torchvision import transforms from torch import optim import torch.nn as nn import matplotlib.pyplot

是我大作业的代码了哈哈，要是需要带注释的可以私聊哈哈 代码使用方法： 1. 读取数据集 2. 初始化模型参数（选择哪个模型就初始化哪个） 3.定义激活函数（只有选择带隐含层的模型才需要激活函数） 4.防止过拟合（只有选择带隐含层的模型才需要防止过拟合，不过因为下面我们用的权重衰减在训练是也有定义，所以我们需要也给它加个定义） 5.定义模型（选择哪个模型就定义哪个） 6.定义损失函数 7. 定义优化函数 8.训练模型（训练结束可进行绘图） 9. 进行预测 可变参数： 1.选择模型（三种模型，可选用） 2.激活函数（两种） 3.防止过拟合（两种方法，可选用也可都用） 权重衰减（通过lambd 来调整， lambd = 0 即不使用此方法） 丢弃法（通过定义模型时选择） 4.损失函数（咱们的代码只用了一种） 5.优化方法（咱们的代码只用了一种） 6.训练模型（迭代周期数num_epochs和学习率lr可调） 7.定义数据集时小批量的大小

机器学习、深度学习常用标准数据集之一

ConvLSTM-Moving-mnist Using convlstm to prediction moving mnist dataset. run main.py for train 1、network structure 使用其中一个序列，迭代训练，收敛。 前10帧--第11帧，...，第10-19帧预测第20帧。 输入mnist序列 三层conv 一层BasicConvLstmCel 三层conv flatten （1，10，64，64，1） （1，10，64，64，16）（1，1，64，64，1024） （1，1，64，64，1） 2、result 3、loss curve

Mnist数据集，matlab版本，可以直接读入，大小为784，每个标签对应0~9大小，另外建议各位在使用时使用one-hot处理数据

MNIST数据集，matlab适用格式，从train中选取2000个，test中选取2000个，共4000幅。可用于机器学习及 模式识别算法的验证。

Fashion-MNIST图像数据集是由Zalando（一家德国的时尚科技公司）旗下的研究部门提供。其涵盖了来自10种类别的共7万个不同商品的正面图片。 之前用Pycharm下载总是很忙且容易出错，后来发现可以下载后直接加载，很方便

训练集50000张，测试集10000张

该数据集是64x64尺寸的简单MNIST样式的医学图像； 最初是从其他数据集中获取的，然后加工成这种样式。有58954个医学图像属于6个类别。 Medical MNIST_datasets.txt Medical MNIST_datasets.zip