注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 有智慧的蜗牛仿淘宝网络商城源码

  2. 有智慧的蜗牛仿淘宝网络商城源码 功能描述： 程序还没做完，目前只是完成了登录页面和注册页面及商品展示页面。 首页展示商品图片，名称价格掌柜名称等。分类产品中点击更多查看全部 分类商品。 技术特点： ajax无刷新 没有用控件 手写代码 三层搭建 提示： 可以直接使用注册过的用户名密码51aspx登录站点查看 验证码区分大小写

  3. 所属分类：C#

    • 发布日期：2012-02-12
    • 文件大小：2mb
    • 提供者：ss_geng

  1. 基于matlab手写识别

  2. 完全手写的CNN代码，没有用任何框架和三方库，基于matlab的完美代码，运行效率很高，作为初学者转的必备，课运行！！！！！！！！！！ 一切框架来自手写！！！！

  3. 所属分类：深度学习

  1. 神经网络与deep learning 学习与实践，多层前馈神经网络与神经网络的实现

  2. 构建一个至少含有1-2 层隐藏层的神经网络模型，解决手写的0-9 十个手写 数字的识别问题。神经网络模型构建过程中需要注意的几点： （1）数据集采用MNIST 阿拉伯数字手写体数据集。 （2）模型输入层的节点个数的设计。输入层的节点数目应该与输入的手写 体图片的大小相等。MNIST 手写体数据集中手写阿拉伯数字的图像为28×28 的 方形图。 （3）每一个隐藏层的网络节点数的设计。应该遵循特征提取与降维相统一 的原则。 （4）输出层的节点数。因为识别任务是0-9 的十个手写数字，所以输出层 应

  3. 所属分类：深度学习

    • 发布日期：2018-09-18
    • 文件大小：5kb
    • 提供者：alice9236

  1. C++ 实现全连接神经网络算法识别 Mnist 手写数字

  2. C++ 实现全连接神经网络算法识别 Mnist 手写数字。 本程序使用全连接神经网络进行手写数字识别的训练和预测。当然修改一下输入和输出节点数，调整网络层数，也可用于其他多分类或回归问题。 代码结构参考了 yolo(You Only Look Once) 项目源码框架 darknet.

  3. 所属分类：深度学习

    • 发布日期：2019-01-09
    • 文件大小：11mb
    • 提供者：hfq0219

  1. 多层感知器实现，机器学习，神经网络，稍事修改即可实现手写数字识别，鸢尾花识别实验等

  2. 机器学习，神经网络多层感知器实现，稍事修改即可实现手写数字识别，鸢尾花识别实验等

  3. 所属分类：机器学习

  1. MLP&CNN;识别手写数字集Mnist

  2. 多层感知器MLP和卷积神经网络CNN识别手写数字集Mnist，使用Jupyter Notebook 编写的 Python代码，含建模及测试，代码注释清晰，十分适合新手

  3. 所属分类：深度学习

    • 发布日期：2019-04-09
    • 文件大小：84kb
    • 提供者：justin_shine

  1. 多层神经网络识别手写数字

  2. 仅使用Numpy实现的多层全连接神经网络，学习过程中产生的系列代码

  3. 所属分类：机器学习

    • 发布日期：2019-08-28
    • 文件大小：32mb
    • 提供者：seya1111

  1. 卷积神经网络的mnist手写数字识别

  2. 手写数字识别的Tensorflow完整代码，### 1. MNIST机器学习入门 **1.1.1 简介** 下载MNIST数据集，并打印一些基本信息： ``` python download.py ``` **1.1.2 实验：将MNIST数据集保存为图片** ``` python save_pic.py ``` **1.1.3 图像标签的独热表示** 打印MNIST数据集中图片的标签： ``` python label.py ``` *

  3. 所属分类：深度学习

    • 发布日期：2020-03-20
    • 文件大小：35kb
    • 提供者：baidu_39629638

  1. MNIST手写识别进阶：更多层网络和格式化结构.ipynb

  2. 这个代码， 跟B站深度学习教学视频同步。基于Tensorflow 1.13.1, 使用内置的MNIST手写数字集，进行双层神经网络的训练。训练使用了格式化代码，在此基础上，可以轻松增加模型的层数。

  3. 所属分类：机器学习

    • 发布日期：2020-03-07
    • 文件大小：16kb
    • 提供者：Promise_Lv_2019

  1. 机器学习实例代码-手写数字识别.ipynb

  2. 练一个简单的全连接神经网络，即多层感知机（MLP），实战Python代码，下载即可使用，练一个简单的全连接神经网络，即多层感知机（MLP），实战Python代码，下载即可使用，

  3. 所属分类：Python

    • 发布日期：2020-08-10
    • 文件大小：8kb
    • 提供者：magicdreamer

  1. 手写数字识别（python底层实现）报告.docx

  2. （1）认识MNIST数据集的数据格式，对MNIST数据集进行划分作为多层感知机的训练和测试数据； （2）利用python语言从零开始搭建多层感知机网络； （3） 通过调整参数提高多层感知机网络的准确度，并对实验结果进行评估； （4）程序的语句要求有注释，以增强程序可读性。

  3. 所属分类：Python

    • 发布日期：2020-09-26
    • 文件大小：1mb
    • 提供者：by1jing

  1. MNIST手写数字识别问题的多层神经网络模型实践

  2. （10分） MNIST手写数字识别问题的多层神经网络模型实践 按课程案例，动手完成编码实践。 自行设计一种神经网络模型，并尝试采用不同超参数，让模型的准确率达到97.5%。 提交要求： 1、你认为最优的一次带运行结果的源代码文件（.ipynb 格式） 2、作为附件上传 评分标准： 1、完成MNIST手写数字识别的神经网络建模与应用，有完整的代码，模型能运行，准确率达97%以上；得6分；每下降一个百分点，少得1分； 2、准确率达97.3%以上；再得2分，否则再得0分； 3、准确率到97.5%以上；

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：161kb
    • 提供者：weixin_38621365

  1. 【PyTorch学习笔记1】MNIST手写数字识别之MLP实现

  2. 在本笔记中，我们将以多层感知机（multilayer perceptron，MLP）为例，介绍多层神经网络的相关概念，并将其运用到最基础的MNIST数据集分类任务中，同时展示相关代码。本笔记主要从下面四个方面展开： 文章目录1 多层感知机(MLP)理论知识1.1 隐藏层1.2 激活函数1.3 多层感知机1.4 交叉熵(cross entropy)损失函数2. MNIST数据集简介3. 代码详解及结果展示4. 心得体会 1 多层感知机(MLP)理论知识 1.1 隐藏层 多层感知机在单层神经网络

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：257kb
    • 提供者：weixin_38545485

  1. Tensorflow学习实战之多层神经网络mnist手写识别

  2. Tensorflow学习实战之多层神经网络mnist手写识别数据准备构建模型训练模型评估结果可视化显示输出错误预测 激活函数： sigmod函数为s型 relu为修正线性单元函数 tanh双曲正切 这里使用的relu激活函数，输出使用softmax多分类，中间使用了3层隐藏层，优化器使用AdamOptimizer，损失函数定义loss_function=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=forward,la

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：464kb
    • 提供者：weixin_38611527

  1. normalperson:一个神经网络，用于识别使用basicNN库制作的手写数字-源码

  2. 普通人 描述 一个神经网络，用于识别使用basicNN编写的手写数字。 使用MNIST数据集进行训练。 由2个分别具有300 HU和100 HU的隐藏层组成。 MNIST训练和测试集以csv文件的形式出现。 为了使训练和测试文件更快，更有效，需要事先对数据进行腌制，而功能人员希望它采用这种格式。 将数据腌制为60个样本的批次。 测验 测试功能有点非常规。 它向用户提示要选择的测试批次，然后提示要测试的批次中的特定样品。 完成后，模型将预测该数字并在控制台中显示它的预测，然后实际图像将显示给用户

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：29mb
    • 提供者：weixin_42131728

  1. MLP-Neural-Network-From-Scratch:教程详细介绍了如何从头开始构建多层感知器-源码

  2. 从头开始构建多层感知器 驱动神经网络的数学和计算通常被视为博学且不可渗透。 在MLP.ipynb提供了一个清晰说明的示例，该示例从头开始构建了用于手写识别的神经网络。 本教程分步概述了许多现代机器学习算法中使用的数学和代码。 安装 要在浏览器中查看此笔记本，只需单击上面的MLP.ipynb文件。 要在本地运行此笔记本，请确保已安装 ， 和 。 然后在终端窗口中： $ git clone https://github.com/KirillShmilovich/MLP-Neural-Netwo

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：15mb
    • 提供者：weixin_42107561

  1. fcBpNerualNetwork:全连接bp神经网络-源码

  2. 全连接神经网络 应用 手写数字识别0〜9 使用mnist训练集 训练集为50000张图片 测试集为10000张图片 达到的效果拟合度99.70％，测试集上准确率98.38％ ，在训练了28个epoth获得 算法细节 使用反向传播算法计算梯度dw和db 采用L2正则化 采用随机梯度下降算法 min-batch大小为10 使用fmincg高级优化算法执行渐变下降的单次迭代 数据归一化 参数初始化 生成第l层的w和b，k为第l-1层的神经元个数 使用方差为1 / k的高斯分布生成w，方差为1的高斯分布

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：17kb
    • 提供者：weixin_42117116

  1. mnist-digit-classification：使用单层感知器和前馈网络的手写数字识别-源码

  2. MNIST数据集 分为训练集，验证集和测试集。 这三个集合中的每一个都包含两个长度相等的向量： 一组数字，写为长度为784的向量。数据集中的数字形状为28x28像素，并表示为向量。 矩阵中的每个像素的值都在0到1之间，其中0表示白色，1表示黑色，而0到1之间的值是灰色阴影。 第一个向量中每个元素的标签：0到9之间的数字，表示图像中的数字。 单层感知器 分类算法基于10个感知器。 这10个感知器中的每一个都经过训练以对仅代表一位数字的图像进行分类。 例如，第一个感知器将被训练为输出数字0的值1

  3. 所属分类：其它

  1. 基于多特征卷积神经网络的手写公式符号识别

  2. 提出了基于多特征稠密卷积神经网络的模型框架(DenseNet-SE)。与传统方法相比，DenseNet-SE采用数据驱动的方法，无需手工提取特征。该框架包含了稠密残差块的结构，能够获取深度特征。通过跳跃连接的方式，从浅层获取细粒度特征来辅助深度特征。同时，融合特征有助于网络结构获取更多全局信息，更好地表示公式符号的类别。利用在线手写数学表达式识别的竞赛组织(CROHME)提供的标准数学公式符号库来验证所提算法，结果表明，CROHME2014和CROHME2016的识别率分别达到93.38%和92

  3. 所属分类：其它

  1. 数字分类器：使用MNIST数据集的单个手写数字分类器。 纯麻布-源码

  2. MNIST手写数字分类器 使用numpy库实现多层神经网络。 该实现是《一书中Michael Nielsen的实现的修改版本。 简要背景： 如果您熟悉神经网络的基础知识，请随时跳过本节。 对于在阅读有关Neural Networks的任何内容之前落入此处的所有初学者： 神经网络由称为Sigmoid Neurons的构造块组成。 之所以这样命名，是因为其输出遵循 。 x j是输入，由w j权重加权，神经元具有其固有偏差b 。 神经元的输出称为“激活（ a ）”。 注意：除了使用Sigmoi

  3. 所属分类：其它

« 12 3 »