这是用于识别七段数码管的数据集合和训练好的模型。

针对深度学习中ResNet深度卷积神经网络与LeNet-5模型在图像识别、文字识别和语音识别等领域广泛应用，文中对两种模型的运行机理和方式进行了详细阐述，并对两者在实际应用中的表现进行了对比与分析。首先对两种模型的结构和设计分别进行了叙述，并指出了两种模型面对不同问题的优缺点，且为工程实践提供了指导。然后基于分析进一步对两种模型进行了重建和训练，以实现更优的性能。仿真结果表明，ResNet深度卷积神经网络相比LeNet-5模型在实际应用中具有更好的效果。

Pytorch实现LeNet模型在CIFAR10数据集上的测试。ipynb文件，包含了完整的训练、测试输出数据。

最近在学习pytorch，手工复现了LeNet网络，并附源码如下，欢迎大家留言交流 import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torchvision import datasets, transforms class LeNet(nn.Module): def __init__(self): super(LeNet,self).__init__() self.conv1 = nn.Conv2d(1

深度学习Caffe框架实战剖析教程（深度学习、机器学习、LeNet-5模型、MNIST数据集、CNN），本教程以目前已经大量用于线上系统的深度学习主流框架Caffe为例，从底层开始，由浅入深，先是概述Caffe框架，说明其和深度学习的关系，然后讲解并演示 Caffe的配置、部署、使用，接着讲解了Caffe的基本数据结构，然后通过大量的阅读Caffe源码理解其精髓，加强对深度学习理论的理解，终达到熟练运用 Caffe 解决实际问题的目的。

深度学习Caffe框架实战剖析教程（深度学习、机器学习、LeNet-5模型、MNIST数据集、CNN） 课程收益 目标一. 了解Caffe框架的环境配置以及LEVELDB和LMDB数据。 目标二. 学习并且掌握Caffe框架最基础的数据结构，明白其各结构之间的关系。 目标三. 阅读明白Caffe框架的源码，特别是其入口程序也就是Caffe.cpp的源码理解，这样可以熟悉Caffe程序运行流程。 目标四. 明白Caffe最优化求解过程，重点是求解器，以及求解器的实现等等。

文件为py文件，用pycharm打开即可，使用lenet-5训练三次即可达到0.98识别率，非常简单，适合新手入门。。。。。。。

6000张28x28 手写数字图片，lenet的网络实现，个人简单的改进的一个网络，包括训练的模型。

LeNet-5 C++实现LeNet-5, 用MNIST数据集训练。为了加深对bp、fp算法的理解，代码中没有调用第三方计算库，手动实现的bp、fp算法，一轮训练大概300s，训练好的模型在MNIST数据集上的分类准确率可以达到99%以上。

深度卷积神经网络CNN的Theano实现（lenet），还包括一个单独的卷积层网络