CNNvsNN_Digit_recognizer 进行该项目的目的是在通用数据集上比较卷积神经网络（CNN）和常规神经网络（NN）的性能差异。

统计学期末课程作业_python自定义实现CNN_KNN_NN_SVM网络模型源码+说明文件.zip 【CNN实现】 cnn1.py: LeNet+ReLU; cnn2.py: 在cnn1的基础上加宽全连接层; cnn3.py: 在cnn2的基础上修改卷积核; cnn4.py: 在cnn3的基础上修改卷积核; cnn5.py: 在cnn4的基础上加宽全连接层; cnn6.py: 在cnn3的基础上加宽全连接层; cnn7.py: 在cnn6的基础上加宽全连接层; cnn8.py: 在cnn6的基础上加入Dropout层; 等等 【KNN实现】 knn.py: 标准KNN,k=1,3,5,7,9; 【NN实现】 nn1.py: 784-800-15 (修改激活函数); nn2.py: 784-2500-2000-1500-1000-500-15 (修改激活函数); nn3.py: 在nn2的基础上修改数据预处理方式; 【SVM】 svm.py: 核函数(linear,rbf,poly,sigmoid); 另包含【运行指南】和【最终选择模型】

内容包含详细注释 代码中有数据集的下载程序: 人工构造简单二分类数据集，两个数据集大小为100，样本特征维度为2，且分别服从均值互为相反数且方差相同的正态分布。两个数据集的样本标签分别为0和1。 Fashion-MNIST数据集，该数据集为一个多类图像分类数据集，包含60000个训练图像样本，10000个测试图像样本。每个样本的数据格式为28*28*1。共10类：dress（连⾐裙）、coat（外套）、 代码内容包括： PyTorch基本操作实验； Torch.nn实现Logistic回归实验、softmax回归实验、实现前馈神经网络（多分类、二分类、回归）； 手动实现Logistic回归实验、softmax回归实验、实现前馈神经网络（多分类、二分类、回归）； 多分类实验torch.nn实现Dropout和多分类实验torch.optim实现L2范数正则化； 对多分类任务中的模型评估隐藏层层数和隐藏单元个数对实验结果的影响；

主要介绍了pytorch 中的重要模块化接口nn.Module的使用，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

在计算loss的时候，最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits，那么它到底是怎么做的呢？ 首先明确一点，loss是代价值，也就是我们要最小化的值 tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None) 除去name参数用以指定该操作的name，与方法有关的一共两个参数： 第一个参数logits：就是神经网络最后一层的输出，如果有batch的话，它的大小就是[batchsize，num_classes]，单样本的话，大小就是num_classes 第二个参数lab

K-NN（K近邻算法）实现手写字符的识别（C语言）实现，通过VS2010平台验证通过，代码详细易懂，是该算法上手的好资料.

近年来，手势识别的问题是由于难以利用多种计算方法和设备来感知人的手部运动。因此，在本文中，我们解释了不同的算法来解释手势识别算法，因为它具有得到了很多关注。 我们可以使用手势在不触摸计算机屏幕的情况下与计算机进行交互，可以向计算机提供指令，因此在本文中，我们将介绍使用Kinect进行手势手势检测的方法。 我们正在使用手势识别的动态时间扭曲方法。 我们解释了一种有效的手势识别方法。 我们还使用了简单的K-NN分类器。 在这种方法中，我们使用了DTW（动态时间包装）对齐方式。 我们使用不同的算法和方法来解释有关手势手势识别结果的信息。 我们使用MPLCS算法来识别自由空中的手势并给出良好的结果，之后，我们还使用了MCC计算，该计算确定了重大运动的开始和结束目的，并忽略了未使用的信号。 因此，通过使用此算法，我们给出的手势重组结果要好于以前的所有结果。

关于 我们从文件优化了CoordConv操作。 为此，我们使用简单的数学公式： 使用c1 + c2通道输入的卷积可以表示为分别使用c1和c2通道输入的卷积之和。 对于具有相等行(0, 1, .. n)或相等列(0, 1, .. n)^T （在定义坐标的CoordConv中添加这些矩阵(0, 1, .. n)^T通道矩阵，卷积运算等于 列为alpha * (0, 1, .., n)^T + alpha0矩阵 行beta * (0, 1, .., n) + beta0对应的beta * (0, 1, .., n) + beta0 。 由于此操作之前卷积层中存在偏差，因此可以忽略偏差。 在coordconv/modules的层CoordXY提供一种增加了必要的结果与标准卷积以获得CoordConv 。 与原始论文相比，优化的操作版本更简单，更有效，并且参数数量更少。 依存关系 python

Torch.nn模块是Pytorch为神经网络设计的模块化接口，定义了不同的网络层。Torch.nn 利用autograd来定义模型，数据结构为Module。代码运行在Python 3.9.7版本以及Pytorch 1.10版本中。代码均在pycharm上运行，均能完美运行！

本项目主要实现了python端的径向基，通过实现算法本身而不是调用库实现，实现了径向基神经网络对双月数据进行分类，另外里面还进行了包括调整中心个数，学习率的调整方法等对原始程序进行了改进，可以用来进行不同参数下实现的比较