是用于字母A到J的字体glypyhs的图像识别数据集，可用于简单的神经网络。
它与手写数字0到9的经典非常相似。
不幸的是，notMNIST数据的提供格式与MNIST数据的格式不同，因而，您不能只交换notMNIST数据文件并在其上不更改地运行神经网络。
这个仓库解决了这个问题：这里的四个*.gz文件具有与MNIST数据集中的同名文件相同的数据格式和相同的条目数。
但是图像不是手写数字，而是从A到J的字母（标签仍然是0到9）。
（这些文件在这里获得了notMNIST数据集的原始作者的许可。
）如果您有使用MNIST的神经网络，则应该能够替换此存储库中的数据文件并运行程序，而无需进行任何更改。
请注意，notMNIST数据集比MNIST更难，更不干净。
使用这些notMNIST文件，在MNIST上获得98％的准确度的简单2隐藏层网络就可以得到93或94％的准确度。
notMNIST数

基于深度学习的车牌识别研究-论文研究材料，包含图像识别，手写字符等

通过slim工具，对VGG16进行微调训练数据，并得出模型，然后对新图片进行识别，整个过程。
运行环境：tensorflow1.9.0,python3.6。
源码不包含图片素材，但是包含生成好的tf格式，inception_v3文件，以及导出后的frozen_graph.pb文件。
可在此基础上进行训练，也可直接用于识别图像操作。

MNIST数据集是一个手写阿拉伯数字图像识别数据集，图片分辨率为20x20灰度图图片，包含‘0-9’十组手写手写阿拉伯数字的图片。
其中，训练样本60000，测试样本10000，数据为图片的像素点值，作者曾经对数据集进行了压缩。

使用映美精相机+DMC2200运动控制卡+Mil8图像识别

随着计算机技术和模式识别等相关技术的飞速发展，使运用当今先进技术来研制安全监测系统成为可能，人脸识别是安全监测系统中身份识别的一种最方便、最直接的方法。
传统的人脸图像识别系统是由大规模或超大规模集成电路来完成的，图像采集依赖于较大型设备，速度比较慢，实时性较差，在小范围内使用价格比较昂贵。
随着数字信号处理器DSP的飞速发展，它以其高速、准确的功能为图像获取带来了新的途径，而且用硬件来实现人脸图像识别价格比较低廉。
DSP（digitalsignalprocessor）是一种独特的微处理器，是以数字信号来处理大量信息的器件。
其工作原理是接收模拟信号，转换为0或1的数字信号。
再对数字信号进行修改、删

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。