实验环境
win10 + anaconda + jupyter notebook
Pytorch1.1.0
Python3.7
gpu环境（可选）
MNIST数据集介绍
MNIST 包括6万张28×28的训练样本，1万张测试样本，可以说是CV里的“Hello Word”。本文使用的CNN网络将MNIST数据的识别率提高到了99%。下面我们就开始进行实战。
导入包
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision imp
2022-06-01 23:43:43
54KB
1
基于python，利用主成分分析（PCA）和K近邻算法（KNN）在MNIST手写数据集上进行了分类。经过PCA降维，最终的KNN在100维的特征空间实现了超过97%的分类精度。
2022-05-29 23:19:47
11.06MB
基于BP网络的手写体大写字母识别+含代码操作演示视频
运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。
2022-05-17 10:05:21
1.07MB
mnist手写体的识别采用KNN算法，Java实现，60K训练集，10K测试集。代码主要包括读mnist数据集，KNN算法。
2022-05-16 15:20:18
12.87MB
1
基于华为自研MindSpore深度学习框架构建网络模型，实现MNIST手写体识别实验。
包含可运行源码、运行结果演示视频，本地MindSpore详细配置教程（私信可远程配置）
本例子会使用MindSpore深度学习框架实现一个简单的图片分类实验，整体流程如下：
1、 处理需要的数据集，这里使用了MNIST数据集。
2、 定义一个网络，这里我们使用LeNet网络。
3、 定义损失函数和优化器。
4、 加载数据集并进行训练，训练完成后，查看结果及保存模型文件。
5、 加载保存的模型，进行推理。
6、 验证模型，加载测试数据集和训练后的模型，验证结果精度。
2022-05-11 11:31:37
35.17MB