一，mnist数据集
形如上图的数字手写体就是mnist数据集。
二，GAN原理(生成对抗网络)
GAN网络一共由两部分组成：一个是伪造器(Generator，简称G)，一个是判别器(Discrimniator，简称D)
一开始，G由服从某几个分布(如高斯分布)的噪音组成，生成的图片不断送给D判断是否正确，直到G生成的图片连D都判断以为是真的。D每一轮除了看过G生成的假图片以外，还要见数据集中的真图片，以前者和后者得到的损失函数值为依据更新D网络中的权值。因此G和D都在不停地更新权值。以下图为例：
在v1时的G只不过是 一堆噪声，见过数据集(real images)的D肯定能判断出G所生成
2023-07-04 19:57:59
189KB
1
随着计算机视觉方向的发展与各种开源库的涌现，目标检测与图像识别的步骤也越来越规范并且趋于简单化。
本次大作业采用Pycharm编辑器，应用Python的OpenCV图像处理库，基于深度学习的卷积神经网络来识别图像中的手写的大写英文字母。具体功能步骤是：对图像进行切片、目标检测、图像识别、图像定位、识别出来的字母重新写入到图片中。
2023-03-20 15:02:35
9.46MB
1
表格形式（CSV）的mnist训练测试集，大部分电子表格和数据分析软件兼容形式
包括mnist_test.csv、mnist_train.csv、mnist_test_10.csv、mnist_train_100.csv
mnist_train.csv、mnist_test.csv分别有60000、10000个标记样本集
mnist_test_10.csv、mnist_train_100.csv则只有10条100条记录是上面的子集
在深入研究前我们常用子集验证算法再用完整集
2023-03-15 19:42:25
13.61MB
1
基于VGG Simple手写体数字识别的研究与FPGA实现
vivado的工程 大家自行学习
2023-03-07 10:16:46
35.47MB
1
本资源为深度学习课程设计 含课程设计完整过程的数据集以及实验报告 可供参考
由matlab代码编写构建双层CNN卷积神经网络识别Minist的手写体数据，其中将不断改进的代码跟另外使用工具函数编写的另一个CNN程序结果比较，有一个较为直观的运行效果对比。能够很好的看出程序设计的优劣。使用的是双层卷积神经网络，后向传播用的是随机梯度下降及其优化版本。
适用于CNN初学者以及希望更进一步的学习者。
dataset是MNIST。这里层的概念是指convolution+pooling
函数说明：
read_label和read_image分别为读取标签和图像数据点的函数
convolve是实现卷积的函数，pool是实现池化的函数
SGD_MSGD是主函数，把minibatch设为1就是SGD，大于1就是MSGD
OPTIMAL是优化版的主函数，OPTIMAL_FINALE是最终优化版的主函数，toolbox是用工具箱函数写的CNN，用于对比之前函数的运行效果。
SGD_MSGD，OPTIMAL，OPTIMAL_FINALE，toolbox都可以直接运行得到答案
2023-02-16 04:28:46
12.27MB
1