keras 源码中下载MNIST。数据源是通过 url = https://s3.amazonaws.com/img-datasets/mnist.npz 进行下载的。访问该 url 地址被墙了，导致 MNIST 相关的案例都卡在数据下载的环节。因此给出这个数据集供大家使用！
2023-08-07 12:05:16
10.96MB
1
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
手写数字识别
使用Tensorflow.js，Mnist数据集，React，Redux，Redux-Saga，Babel，Webpack，样式化组件，Eslint，Prettier和Ant Design构建的数字识别。
可以在以下位置获得演示： : 。
影片
手机（iOS和Android）版本：
桌面版：
设定环境
该项目基于JavaScript环境，您需要使用Yarn或NPM安装依赖项：
$ yarn install
在本地启动
$ yarn start
$ Open https://localhost:9000 with your favorite browser
量产
$ yarn build
作者
2023-03-26 10:58:29
4.65MB
1
mnist数据集的图片格式，model.py文件为将mnist数据集转化为图片的代码，将其与mnist.pkl.gz放在同一文件夹之下运行py文件即可（python2.7版本）
2023-02-20 20:46:57
1KB
1
原始生成对抗网络Generative Adversarial Networks GAN包含生成器Generator和判别器Discriminator，数据有真实数据groundtruth，还有需要网络生成的“fake”数据，目的是网络生成的fake数据可以“骗过”判别器，让判别器认不出来，就是让判别器分不清进入的数据是真实数据还是fake数据。总的来说是：判别器区分真实数据和fake数据的能力越强越好；生成器生成的数据骗过判别器的能力越强越好，这个是矛盾的，所以只能交替训练网络。
需要搭建生成器网络和判别器网络，训练的时候交替训练。
首先训练判别器的参数，固定生成器的参数，让判别器判断生成器生
2023-01-09 22:23:25
456KB
1