VAE模型以及利用MINIST训练生成数字（效果较好）

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

minist-original.mat文件 机器学习数据分析数据集 mnist = fetch_mldata('MNIST original', data_home='scikit_learn_data')

基于python语言书写用到的函数库有tensorflow，numpy，pandas，matplotlib. 此压缩包下有包含（CNN手写数字识别.ipynb，CNN涂鸦识别.ipynb，两个数据集分别是minist手写字符集和Google涂鸦集，因占用空间超过1G，采用蓝奏云盘的格式分享，附加一份结课文档可参考）。手写数字识别采用卷积神经网路识别minist手写数字集，涂鸦识别采用卷积神经网络识别涂鸦集，经实验效果良好，准确率达到98%以上。并且使用绘图软件自己绘图识别，测试图片为自己绘制。 经实验，效果良好

内含有minist数据集，同时拥有基于python编程的mobienet网络，涵盖数据的预处理（初始化，白化，中心化以及其他预处理），模型构建，模型测试，涵盖了整个轻量化网络mobienet的所有部分，提供大家学习。

对fashion-minist数据集进行服装分类识别（10种），python3.7 用keras架构 实现1层，3层，4层卷积网络，有准确度和损失图，衣服的可视化验证，还增加了一个tkinter窗口 从本地选择图片，放入模型中识别，最后给图片贴上标签

fashion-mnist数据集，解压放到C:\Users\Administrator\.keras\datasets，tf.keras避免从下载失败

minist可视化数据集是指以图片的方式存储minist手写数字的训练集和测试集。训练集与测试集下每个文件夹下将同一类型的数字存储于同一文件夹当中。其中，训练集共有60000张图片，测试集共有10000张图片。

MINIST手写体数据集mat版本，包括训练数据集的图像和标签，以及测试数据集的图像和标签，欢迎下载和使用。

人工智能初学者常用的minist手写数字识别、波士顿房价预测以及Fashion minist的分类。基于机器学习以及深度学习的模型搭建，实验报告中有所介绍。代码也在实验报告内，帮助你快速完成入门案例，成为人工智能初学者。