Kaggle Digit Recognizer 数据集

常用数码管数据手册 Single Digit Display

使用深度学习的多手写数字识别（TensorFlow-Keras） 要求 TensorFlow（Keras） 的Python 3.5 + Numpy（+ MKL适用于Windows） PIL（枕头） Opencv的 tkinter（python GUI） 关于项目 使用CNN（卷积神经网络）在MNIST数据集上训练模型 将模型另存为'mnist.h5'（train_digit_recognizer.py） 使用tkinter GUI制作画布并在其上写数字 使用PIL在画布上获取“手写数字”的副本，并以“ img_ {image_number} .png”的形式保存到“ / img”中 同样在OpenCV帮助下，通过识别轮廓，它可以处理多个数字 使用保存的模型'mnist.h5'从画布预测保存的手写数字图像 屏幕截图 绘图画布... 输出图像... 使用PIL-ImageGrab

包含一行的前一百万位圆周率，和每50位一行的前一百万位圆周率的txt文件。此资源可以完成《python编程：从入门到实践》的实例。从网上找不到好用，自己处理出来的。

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

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

朴素贝叶斯数字分类器 基于平均像素亮度和标准偏差的手写数字0或1的朴素贝叶斯分类器 2020年9月 ASU MCS计划课程CSE 575的项目1-统计机器学习 使用的技术： Python，Numpy，Scipy

MNIST手写数字识别 概括 该项目的目的是编写一个程序，该程序可以识别和分类手写数字，并且其准确性要高于先前实现的99.15％。 为此，将训练卷积神经网络（CNN）模型并将其用于此任务。 包含70,000张图像的MNIST数据集将用于训练机器学习模型。 数据集中的每个图像都是大小为28x28像素的灰度图像。 最初，将数据集加载并存储到变量中。 然后将其分为训练数据和测试数据。 训练样本用于训练机器学习分类模型，而测试样本用于验证。 此外，将通过计算CNN模型的准确性得分来评估机器学习模型的性能。 背景技术卷积神经网络是一种由几层组成的机器学习模型。 对于分类和识别任务（包括手写数字识别）非常有用。 参考： : 挑战 由于我不熟悉OpenCV库，而且我对机器学习领域的了解有限，因此要在有限的时间内学习完成项目所需的所有概念将是一个挑战。 通过完成这个项目，我希望扩展我在机器学习概

它包含一个命名的录音目录，您可以在其中找到从 0 到 9 的数字的各种录音。 Spoken Digit Dataset_datasets.txt

数字语音库 英文 可作数字语音分析语料 wav文件 分为训练和测试部分