手写数字识别实现 设计技术参数：通过由数字构成的图像，自动实现几个不同数字的识别，设计识别方法，有较高的识别率 关键字：二值化 投影 矩阵 目标定位 Matlab 手写数字图像识别简介： 手写阿拉伯数字识别是图像内容识别中较为简单的一个应用领域，原因有被识别的模式数较少（只有0到9，10个阿拉伯数字 ...
分类：
编程语言 时间：
2016-05-24 00:06:09
阅读次数：
438
转载于：http://www.w3cfuns.com/notes/24611/fbba9cbd616e795360ea45515494aa53.html meta基础知识 H5页面窗口自动调整到设备宽度，并禁止用户缩放页面 忽略将页面中的数字识别为电话号码 忽略Android平台中对邮箱地址的识别 ...
分类：
移动开发 时间：
2016-05-15 18:01:02
阅读次数：
434
Geoffery Hinton教授的Neuron Networks for Machine Learning的第五讲主要介绍物体识别问题的难点及克服这些难点的方法，重点介绍了数字识别和物体识别中使用的卷积网络。Why object recognition is difficult我们知道识别真实场景中的物体是很困难的，这一小节我们来介绍造成这些困难的一些东西。
Segmentation: 在一个图像...
分类：
其他好文 时间：
2016-05-15 00:40:11
阅读次数：
180
昨天我使用Spark MLlib的朴素贝叶斯进行手写数字识别，准确率在0.83左右，今天使用了RandomForest来训练模型，并进行了参数调优。首先来说说RandomForest 训练分类器时使用到的一些参数：
numTrees：随机森林中树的数目。增大这个数值可以减小预测的方差，提高预测试验的准确性，训练时间会线性地随之增长。
maxDepth：随机森林中每棵树的深度。增加这个值可以是模型更具...
分类：
其他好文 时间：
2016-05-13 14:58:40
阅读次数：
296
昨天我在Kaggle上下载了一份用于手写数字识别的数据集，想通过最近学习到的一些方法来训练一个模型进行手写数字识别。这些数据集是从28×28像素大小的手写数字灰度图像中得来，其中训练数据第一个元素是具体的手写数字，剩下的784个元素是手写数字灰度图像每个像素的灰度值，范围为[0,255]，测试数据则没有训练数据中的第一个元素，只包含784个灰度值。现在我打算使用Spark MLlib中提供的朴素贝叶...
分类：
其他好文 时间：
2016-05-12 11:27:56
阅读次数：
239
meta基础知识 H5页面窗口自动调整到设备宽度，并禁止用户缩放页面 忽略将页面中的数字识别为电话号码 忽略Android平台中对邮箱地址的识别 当网站添加到主屏幕快速启动方式，可隐藏地址栏，仅针对ios的safari 将网站添加到主屏幕快速启动方式，仅针对ios的safari顶端状态条的样式 vi ...
分类：
移动开发 时间：
2016-05-11 13:06:15
阅读次数：
245
环境：WIN10(64 bit)+VS2010(64 bit)+Matlab2015b(64 bit)
关于MatConvNet的介绍参考：http://www.vlfeat.org/matconvnet/
Github下载地址为：https://github.com/vlfeat/matconvnet/
我们的目的是将MatConvNet自带的手写数字识别DEMO移植到...
分类：
编程语言 时间：
2016-04-29 20:06:03
阅读次数：
398
1：神经网络算法简介
2：Backpropagation算法详细介绍
3：非线性转化方程举例
4：自己实现神经网络算法NeuralNetwork
5：基于NeuralNetwork的XOR实例
6：基于NeuralNetwork的手写数字识别实例
7：scikit-learn中BernoulliRBM使用实例
8：scikit-learn中的手写数字识别实例...
分类：
编程语言 时间：
2016-04-29 16:30:11
阅读次数：
605
环境：WIN10(64 bit)+VS2010(64 bit)+Matlab2015b(64 bit)
关于MatConvNet的介绍参考：http://www.vlfeat.org/matconvnet/
Github下载地址为：https://github.com/vlfeat/matconvnet/
我们的目的是将MatConvNet自带的手写数字识别DEMO移植到...
分类：
编程语言 时间：
2016-04-26 22:01:03
阅读次数：
686
课程地址：https://class.coursera.org/ntumltwo-002/lecture 重要！重要！重要！ 1.浅层神经网络与深度学习 2.深度学习的意义，减轻每层网路的负担，简化复杂的特征。对复杂的raw feature 学习任务十分有效，例如机器视觉，语音。 下面数字识别中，将... ...
分类：
其他好文 时间：
2016-04-02 00:40:18
阅读次数：
240
