该项目的目的是编写代码以使用Arduino控制硬币接收器，以便可以在其他项目中使用

digit_recognition 从头开始使用python进行tens_flow的digit_recognition。 该程序能够达到95％的准确率。 结构 初始化网络 共有3个完全连接的层，每层784、32、10个单位，并且每个层都使用Python内置结构来承载权重。 权重是通过介于（0，1）之间的正态分布来设置的。 [{'weights'：[0.7230910569842391，0.3597793079018069，0.6794622424433031，0.18301374299295925] ['weights'] [0：3]->重量。 ['weights] [-1]->偏见。 隐藏层 该结构在第一隐藏层中共有32个神经元。 Relu在这里用作激活功能。 我选择Relu而不是Sigmoid的两个原因是，Relu绝对在计算效率上更高。 第二个原因是在多层的情况下，Sigmoid函数

cnn源码matlab SVHN-deep-cnn-digit-detector 该项目在自然场景中实现了 deep-cnn-detector（和识别器）。 我使用 keras 框架和 opencv 库来构建检测器。 该检测器使用 CNN 分类器为 MSER 算法提出的区域确定数字与否。 先决条件 Python 2.7 keras 1.2.2 opencv 2.4.11 张量流-GPU == 1.0.1 等等。 运行这个项目所需的所有包的列表可以在 . Python环境 我建议您创建和使用独立于您的项目的 anaconda 环境。 您可以按照以下简单步骤为该项目创建 anaconda env。 使用以下命令行创建 anaconda env： $ conda env create -f digit_detector.yml 激活环境$ source activate digit_detector 在这个环境中运行项目 用法 数字检测器的构建过程如下： 0. 下载数据集 下载 train.tar.gz 并解压文件。 1.加载训练样本（1_sample_loader.py） Svhn 以 m

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。

使用手写识别的计算器 这个项目是我面向对象编程课程的最后一个项目。 下面介绍该算法为显示包含数学方程式的输入图像的结果而采取的步骤。 1-图像分割 该程序对输入图像进行分段，仅提取所需的数字或运算符进行计算，然后将每个数字或运算符转换为28x28像素的小图像，这将作为神经网络的输入。 程序接受的数字范围是0-9 ，有效的操作是：加法，减法，乘法，除法，幂和使用括号。 2-分类 从算法的第一步中提取的缩略图被馈送到仅具有一个隐藏层的预训练神经网络，该神经网络的预测是S形激活的向量，每个描述输入的依存概率p（i）图像属于第（i）类。 3-计算结果 对每个分割的图像进行分类后，我们将此分类转换为相应的数字或运算符，并将其隐含为表达式字符串。 然后，我们将此字符串传递给基于堆栈的计算器以计算其结果。 然后使用简单的GUI将所有这些包装到JavaFX应用程序中。 将发布文档，以获取有关算法步骤以及

matlab倒错代码MFCC处理数字识别系统 这是华盛顿大学电气工程 DSP 集中的 Capstone 项目。 字幕： 神经网络; 机器学习； MFCC; 语音识别; 音频分类； 细节： 它是一个实时音频数字识别系统。 它包含 2500 个用于训练和测试的音频数据，1500 个来自公共数据集，100 个来自大学志愿者。 为了处理输入音频的不同音量和长度，我使用了梅尔频率倒谱系数（MFCC）来提取输入音频的特征，成功地将数据维度减少了 1 到 34，同时保持了频率网络训练的特征。 最后，我为训练部分实现了前馈神经网络，并对其进行了微调以获得良好的结果。 结构体： 这个Repo主要包含两部分代码： Matlab 代码用于计算音频信号的 MFCC。 Python 代码是前馈神经网络的实现。

该数据包是从kaggle上下载仅仅限于用于学习交流,

Neural Networks for Handwritten Digit Recogn 吴恩达机器学习 jupyter note 版本编程作业 机器学习与数据挖掘 用神经网络识别手写数字0-9

kaggle digit recognizer

svm算法手写matlab代码使用HOG功能和SVM的手写数字识别 在这个知识库中，我将提供一个MatLab和一个Python，用于使用HOG功能和SVM进行手写数字识别。 MatLab和Python代码的结构相同，分为三（3）个部分： 步骤1：资料准备步骤2：HOG功能计算步骤3：设置并运行SVM 步骤1：资料准备 在代码的第一部分，加载了MNIST数据集[1]。 数据集与标签一起分为训练集和测试。 训练和测试集中的总位数分别为60000和10000。 标签是十（10）位数字（0到9）。 在MatLab中，每个数字由784个元素的向量表示。 784个元素的向量将在代码中稍后调整大小，以形成28x28像素的图像。 在Python中，由于每个数字均由28x28像素的图像表示，因此跳过了调整大小步骤。 步骤2：HOG功能计算 从每个28x28像素图像中计算出定向梯度直方图（HOG）特征向量[2]。 每个向量由324个元素组成。 整个324个元素的特征向量将在以后用于训练支持向量机（SVM）。 步骤3：设置并运行SVM 支持向量机（SVM）[3]是我在本示例中使用的多类分类器，用于对手写数字