搜索资源列表
neural-network
- 深度学习python实现，并附有MNIST上的测试程序，准确率98 以上-Deep learning learns low and high-level features large amounts of unlabeled data, improving classification on different, labeled, datasets. Deep learning can achieve an accuracy of 98 on the MNIST dataset.
NN
- 实现的一个用于手写数字识别的框架，可以设置神经网络结构，用的数据是mnist的(Implementation of a handwritten numeral recognition framework, you can set the neural network structure, the training data is MNIST)
tensorflow_cov_mnist
- 基于tensorflow的mnist数据集卷积神经网络简单代码实现。(MNIST dataset based on tensorflow convolutional neural network simple code implementation)
AlexNet
- 使用TensorFlow 实现 AlexNet ，并使用 Mnist 数据集进行训练并测试。(AlexNet is implemented using TensorFlow and trained and tested using the Mnist data set.)
Knn_train_mnist
- 利用Python实现Mnist数据集训练knn算法(Use Knn method to train mnist.)
LeNet5MNIST
- 使用TensorFlow处理MNIST数据，帮助更好的理解和使用TensorFlow(Using TensorFlow to process MNIST data to help better understand and use TensorFlow)
MNIST_CNN
- 用于MNIST数据集，训练卷积神经网络，预测准确率大约为99.3%(Training Convolutional Neural Network on MNIST dataset)
nn_code
- 使用Python实现的一些简单神经网络算法，实现的神经网络包括BP,CNN,RNN,LSTM等，主要是理解这些神经网络的算法原理，并附有mnist数字识别例子。(neural network,include BP,CNN,RNN,LSTM.)
test1
- 神经网络，深度学习上非常经典的例子-RNN循环神经网络，使用mnist数据集，代码简单易懂，学习方便(Neural network, deep learning is a very classic example -RNN circular neural network, the use of mnist data sets, the code is easy to understand, easy to learn)
pytorch-vae-master
- 变分子编码 重构图像 Mnist 特征提取(vae reconstruction Mnist feature extracting)
dbn_tf-master
- 利用深度置信网络实现对mnist数据集的分类(sort out the set of mnist with DBN)
生成对抗网络
- 生成对抗网络针对mnist数据集，Python语言实现。(Generate confrontation network for MNIST data set, implemented in Python language.)
手写MNISTmatlab实现
- 资料可以直接运行，是matlab源码，实现了AI领域常见的手写字符MNIST数据集的识别，一般都是python做，matlab实现的很少，就算有也经常报错，因此这里是提供了例程以及数据集！数据集也是matlab能直接读取的MNIST格式！下载这个资料连数据集都不用单独下载了，节省时间。(The data can be run directly. It is the source code of MATLAB. It realizes the recognition of MNIST data s
PCA+mnist
- 基于python，利用主成分分析（PCA）和K近邻算法（KNN）在MNIST手写数据集上进行了分类。 经过PCA降维，最终的KNN在100维的特征空间实现了超过97%的分类精度。(Based on python, it uses principal component analysis (PCA) and K nearest neighbor algorithm (KNN) to classify on the MNIST handwritten data set. After PCA dime