搜索资源列表
MatConvNet-mr-master
- 牛津大学开发的matconvnet工具包，可以生成vgg，alexnet等等模型，imagenet，mnist多种数据集可以跑-Oxford University developed matconvnet toolkit can generate vgg, alexnet etc. model, imagenet, mnist multiple data sets can be run
lenet_iter_10000
- caffe-windows mnist 训得到的模型，可用于手写字体识别(Caffe-windows MNIST training model can be used for handwritten font recognition)
mnist_train_leveldb
- caffe-windows mnist 训练用的数据集，此数据集用于mnist训练模型(Caffe-windows MNIST training data set, this data set is used for MNIST training model)
mnist.pkl
- 这是MNIST的数据集，方便大家训练自己的模型(This is MNIST data set)
5.2.2.py
- MNIST数字识别问题 使用验证数据集判断模型结果(tensorflow.examples.tutorials.mnist After 30000 training step(s), test accuracy using average model is 0.9835)
mnist
- 利用keras实现手写数字识别，使用CNN模型 全连接层+两个卷积层，最后Softmax分类器，识别率超过96%(Using keras to realize handwritten numeral recognition baesd on CNN model. One whole connection layer + two convolution layers, and a Softmax classifier. The recognition accuracy is over 96%
tensorflow-mnist-predict-master
- 这个项目由四个脚本组成： 1. _create_model_1.py_ - 基于初学者教程创建一个模型model.ckpt文件。 2. * create_model_2.py * - 基于专家教程创建模型model2.ckpt文件。 3. * predict_1.py * - 使用model.ckpt（初学者教程）文件来预测.png文件中手写数字的正确整数。 4. * predict_2.py * - 使用model2.ckpt（专家教程）文件来预测.png文件中手写数字的正确整数。
mnist
- 使用了全连接网络，卷积神经网络，循环神经网络分别构建不同的分类器，如何通过模型保存原理进行保存。(Using the fully connected network and convolution neural network, recurrent neural network builds different classifiers respectively, and how to save them through the preservation principle of the mode
LeNet神经网络
- 程序主要包括三个部分：mnist_.inference.py、mnist.train.py和mnist.test.py。mnist.inference.py主要定义前向传播的过程以及神经网络中的参数；mnist.train.py定义了LeNet-5模型的训练过程，并保存训练结束后的最终的模型（持久化）；mnist.test.py中对测试数据进行测试，计算LeNet模型在MNIST测试集的正确率。
分布式tensorflow
- 1.使用distribute.py在分布式tensorflow中进行训练mnist模型 2.使用mnist_test.py进行测试模型，获取输出结果(1. Training MNIST model in distributed tensorflow using distribute.py 2. Use mnist_test.py to test the model and get the output results)
基于深度学习的手写数字体识别
- 基于深度学习的手写数字体识别，以卷积神经网络（CNN）作为网络模型，利用mnist手写数字训练数据集训练手写数字识别模型，搭建手写数字识别系统，并用自己手写的数字照片进行测试。