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. 高维数据分析网页工具TensorflowEmbeddingProjector.zip

  2. Embedding ProjectorEmbedding Projector 是一款用于交互式可视化和高维数据分析的网页工具，作为 TensorFlow 的一部分，能带来类似 A.I. Experiment 的效果。同时，谷歌也在 projector.tensorflow.org 放出了一个可以单独使用的版本，让用户无需安装和运行 TensorFlow 即可进行高维数据的可视化。介绍探索嵌入（embeddings）训练机器学习系统所需的数据一开始的形式是计算机无法直接理解的。为了将这些我们人类

  3. 所属分类：其它

  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原始数据集图片和标签

  2. mnist数据集原始格式，包括训练集和测试集的图片和对应的标签。

  3. 所属分类：深度学习

    • 发布日期：2019-09-03
    • 文件大小：31mb
    • 提供者：qq_29774003

  1. Fashion-MNIST.zip

  2. 已经把原来的Fashion-MNIST数据集抽取图片格式 Fashion-MNIST是用于Computer Vision的图像数据集，包含60,000个示例的训练集和10,000个示例的测试集。 在此数据集中，每个示例都是一个28×28灰度图像，与来自10个类别的标签关联。

  3. 所属分类：深度学习

    • 发布日期：2020-12-16
    • 文件大小：49mb
    • 提供者：bewithme

  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. Statistics_learning_on_MNIST_Dataset-源码

  2. Statistics_Learning_On_MNIST_DataSet 从MNIST数据集中提取每个图像的两个特征，即平均亮度和平均方差。 训练集中每个标签的2D分布的估计参数，并实现了2D朴素贝叶斯和K最近邻分类器，它们能够以97％的准确度预测测试集的标签。

  3. 所属分类：其它

  1. 识别手写数字KNN：MNIST K-NN分类-源码

  2. ML-MNIST K-NN分类 使用scikit-learn库提供的子集。 MNIST是一个计算机视觉数据集，由手写数字和每个图像的标签组成（用于告诉它是哪个数字） k-NN分类器将应用于图像数据集，以便从MNIST子集中识别手写数字。 理解 数据集的75％将接受培训，其余的将进行测试； 培训数据的10％将分配给验证，其余90％将作为培训数据保留 精度将显示要使用的最有效的k。 对测试数据的评估评估了模型的性能 请注意，邻居数不能大于训练数据集中的观测值数 安装 将此仓库克隆到您的计算机

  3. 所属分类：其它

  1. poisoning_certified_defenses:基于随机平滑的数据中毒防御有多强健？ 出现在CVPR 2021中-源码

  2. 基于随机平滑的数据中毒防御有多强健？ 抽象的 可证明可靠的分类器的预测在一个点附近保持不变，从而使它们在保证测试时间的情况下具有弹性。 在这项工作中，我们提出了对健壮的机器学习模型的前所未有的威胁，突显了训练数据质量在实现高认证健壮性方面的重要性。 具体而言，我们提出了一种基于双层优化的新型数据中毒攻击，该攻击会降低可证明的鲁棒分类器的鲁棒性保证。 与其他数据中毒攻击会降低一小组目标点上的中毒模型的准确性不同，我们的攻击会减少数据集中整个目标类的平均认证半径。 此外，即使受害者使用最新的健壮训练

  3. 所属分类：其它

    • 发布日期：2021-03-31
    • 文件大小：57kb
    • 提供者：weixin_42173218