脉冲神经网络亲测运行实例，Python版本的，正确不用调，所用的神经元模型为IF模型，进行STDP无监督学习，数据集为MNIST，可供学习。
2024/11/26 8:01:12
13.61MB
1
keras经典数据集fashion-mnist第一次使用放在用户.keras下的datasets就行放进去就不用下载了
2024/11/23 14:32:12
29.45MB
1
Sciblog支持信息和代码此仓库包含支持我的博客的项目，其他信息和代码：。
您可以找到我在发表的所有帖子的列表。
笔记本项目：在这个项目中，我们解释什么是卷积以及如何使用带有MNIST字符识别数据集的MXNet深度学习库来计算CNN。
这里是。
：在本项目中，我们使用PyTorch解释迁移学习的基本方法（微调和冻结），并分析在哪种情况下更好地使用每种方法。
这里是。
：在这些笔记本中，我们展示了如何使用Char-CNN和VDCNN模型执行字符级卷积以进行情感分析。
这里是。
：在本笔记本中，我们展示了许多简单的技术来生成图像，文本和时间序列中的新数据。
这里是。
降：在本项目中，我们使用sklearn和CUDA展示t-SNE算法的示例。
我们使用CNN从图像生成高维特征，然后展示如何将其投影并可视化为二维空间。
这里是。
：在本笔记本中，我们使用GPU上的LightGBM（也可在CPU上）设计实时欺诈检测模型。
然后使用Flask和websockets通过API对模型进行操作。
这里是。
：在本笔记本中，我们演示如何创建图像分类API。
该系统与使用CNTK深度
您可以找到我在发表的所有帖子的列表。
笔记本项目：在这个项目中，我们解释什么是卷积以及如何使用带有MNIST字符识别数据集的MXNet深度学习库来计算CNN。
这里是。
：在本项目中，我们使用PyTorch解释迁移学习的基本方法（微调和冻结），并分析在哪种情况下更好地使用每种方法。
这里是。
：在这些笔记本中，我们展示了如何使用Char-CNN和VDCNN模型执行字符级卷积以进行情感分析。
这里是。
：在本笔记本中，我们展示了许多简单的技术来生成图像，文本和时间序列中的新数据。
这里是。
降：在本项目中，我们使用sklearn和CUDA展示t-SNE算法的示例。
我们使用CNN从图像生成高维特征，然后展示如何将其投影并可视化为二维空间。
这里是。
：在本笔记本中，我们使用GPU上的LightGBM（也可在CPU上）设计实时欺诈检测模型。
然后使用Flask和websockets通过API对模型进行操作。
这里是。
：在本笔记本中，我们演示如何创建图像分类API。
该系统与使用CNTK深度
2024/11/9 20:51:10
11.23MB
1
fashion-MNIST数据集的加载方法与MNIST数据集类似。
2017年8月27日，Fashion-MNIST图片库在GitHub上开源，MNIST的时代宣告终结。
fashion_mnist数据集的训练难度比MNIST大得多，但是也有意义去学习。
2017年8月27日，Fashion-MNIST图片库在GitHub上开源，MNIST的时代宣告终结。
fashion_mnist数据集的训练难度比MNIST大得多，但是也有意义去学习。
2024/11/4 8:13:15
29.45MB
1
因matlab无法直接读取直接下载的MNIST数据格式，故写了一个matlab程序将数据读取后存储为.mat格式train_images-60000个训练集,大小为28*28*60000train_labels-60000个标签，大小为60000*1test_images-10000个训练集,大小为28*28*10000test_labels-10000个标签，大小为10000*1
2024/10/25 1:21:32
11.3MB
1
本论文的编写围绕四个项目：图像空域/时域变换、图像增强、染色体计数与提取Mnist链码组成。
项目的编写基于Windows7操作系统，使用VS2013作为开发环境，以OpenCV作为内部核心处理算法库。
项目的编写基于Windows7操作系统，使用VS2013作为开发环境，以OpenCV作为内部核心处理算法库。
2024/10/21 16:40:30
1.73MB
1
测试集形式60000x784(28乘28为784）和60000x10(10个标签对应的概率)，原来为60000x785，只有标签没标签概率）。
测试集同。
测试集同。
2024/10/14 4:18:58
25.56MB
1
KNN编写的书写数字识别。
MNIST手写数字库。
用到tf函数下载MNIST库，需要安装TensorFlow。
如果没有安装，需要手动导入数据。
MNIST手写数字库。
用到tf函数下载MNIST库，需要安装TensorFlow。
如果没有安装，需要手动导入数据。
2024/10/1 6:23:46
11.06MB
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