利用numpy完成全连接层的前向传播和反向传播的梯度下降，可以进行多分类识别。案例运用bp神经网络对手写数字mnist数据集进行分类，训练集精度达到99%，验证集精度达到96%以上。一个输入层一个隐藏层一个输出层，激活函数sigmoid，最后一个softmax，loss function为交叉熵损失函数。
2021-04-13 17:20:23
5KB
1
通过tensorflow.keras.datasets.mnist.load_data()导入数据集时，由于需要google的服务器，国内无法访问资源。
2021-04-13 16:22:09
10.96MB
1
手写数字集MNIST分类，框架使用pytorch，有单隐层的深度网络和卷积神经网络两个网络的代码，注释比较详细，其中一份代码每一步都有注释。
2021-04-12 20:19:31
3KB
1
two-streamtwo-streamtwo-streamtwo-streamtwo-streamtwo-streamtwo-streamtwo-streamtwo-streamtwo-stream
2021-04-12 14:27:33
12KB
1
在Python环境下实现感知机算法(使用MNIST数据集)，代码有详细注释，使用的是感知机算法的原始形式
2021-04-11 14:34:39
13.19MB
1
加载MNIST报错：[WinError 10060] 由于连接方在一段时间后没有正确答复解决办法-附件资源
2021-04-10 23:47:04
106B
1
通过用户进行手写数字输入，输出数字的结果，在V1的基础上进行了升级，现在可以选择mnist和digits数据集的图片进行识别。使用TensorFlow2.0深度学习框架和tkinter界面，使用mnist和digits数据集联合训练，识别准确率非常高！（包含训练源码和训练好的权重）
2021-04-10 17:08:07
8.48MB