MNIST手写字Matlab程序，包含BP和CNN程序。
不依赖任何库，包含MNIST数据，BP网络可达到98.3%的识别率，CNN可达到99%的识别率。
CNN比较耗时，关于CNN的程序引见：https://blog.csdn.net/hoho1151191150/article/details/79714691
不依赖任何库，包含MNIST数据，BP网络可达到98.3%的识别率，CNN可达到99%的识别率。
CNN比较耗时，关于CNN的程序引见：https://blog.csdn.net/hoho1151191150/article/details/79714691
2019/9/13 11:13:56
21.23MB
1
Multi_Layer_Perceptron_Classifier_MNIST-Dataset：对粒子数据集使用多层Perceptron分类模型以获得高功能
2018/1/9 4:50:30
16.27MB
1
1、Mnist_cnn.py该脚本文件用TensorFlow框架实现CNN卷积神经网络处理Mnist手写数字识别数据集，精确率达到99.21%；
2、Mnist_cnn_tensorboard.py该脚本文件在Mnist_cnn.py的基础上实现可视化。
2、Mnist_cnn_tensorboard.py该脚本文件在Mnist_cnn.py的基础上实现可视化。
2020/1/19 16:26:11
5KB
1
这是我修正的别人的代码，别人的代码有点问题，我修正了一下，代码的正确率很高，可达90%以上，这是一个5层卷积神经网络的代码，误差传递和梯度更新代码里都有，可自学。
2022/9/5 19:46:49
11.08MB
1
1.使用pytorch，使用全连接层，而不是用卷积层，要求有两层隐含层2.尽一切可能提高精确率，在这里训练集上达到99.9%以上
2022/9/5 3:48:43
13.59MB
1
MNIST应该是最简单，也是最好的起始数据集，使用极为简单的分类器就可以达到不错的泛化准确率（何为泛化？即我们的模型对于没有进入训练集的判断能力，反应了模型能否正确或是鲁棒），实际上，基本上由图像各密集像素区的简单分布就可以达到分类手写数字识别的目的（特别是限制了手写范围，数字一般处于居中的位置的时候）。
此为其下载的脚本文件，此外，只需要一次下载后即可无须下载立刻使用，具体请看我的教程。
此为其下载的脚本文件，此外，只需要一次下载后即可无须下载立刻使用，具体请看我的教程。
2019/9/19 21:57:15
1KB
1
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。
2024-04-09 15:03
15KB