minist识别手写字体，使用CNN卷积神经网络，加入了交叉验证，并保存了交叉验证过程中效果最好的模型，收敛后正确率在0.99上下，LOSS函数使用交叉熵

手写签名采集识别系统,可以采集签名，并进行签名识别，使用DTW算法

javaSwing界面写的购书商城系统，实现了商品的增删改减，会员的添加，注册，登录，购买，删除订单，还利用了反射实现抽象工厂配置文件调用数据库。
练手写的，比较急，很多没注释，重复代码块，将就一下，实现了基本所有功能。

西电微波技术基础，梁昌宏教授课，手写的详细笔记。
对大家复习微波技术基础有很好的帮助。

《MATLAB图像与视频处理实用案例详解》详细讲解了25个MATLAB图像与视频处理实用案例（含可运行程序），涉及雾霾去噪、答题卡自动阅卷、肺部图像分割、小波数字水印、图像检索、人脸二维码识别、车牌定位及识别、霍夫曼图像压缩、手写数字识别、英文字符文本识别、眼前节组织提取、全景图像拼接、小波图像融合、基于语音识别的音频信号模拟灯控、路面裂缝检测识别、视频运动估计追踪、Simulink图像处理等多项重要技术，涵盖了数字图像处理中几乎所有的基本模块。
,工欲善其事，必先利其器，《MATLAB图像与视频处理实用案例详解》对每个数字图像处理的知识点都提供了丰富生动的案例素材，并详细讲解了其MATLAB实验的核心程序，通过对这些示例程序的阅读理解和仿真运行，读者可以更加深刻地理解图像处理的内容，并且更加熟练地掌握MATLAB中各种函数在图像处理领域中的用法。

手写简易的bootloader在Mini2440上亲测成功。

误差反向传播（Backpropagation，简称BP）是深度学习领域中最常见的训练人工神经网络（Artificial Neural Network，ANN）的算法。
它主要用于调整网络中权重和偏置，以最小化预测结果与实际值之间的误差。
在本项目中，我们看到的是如何利用BP算法构建一个两层神经网络来识别MNIST手写数字数据集。
MNIST数据集包含60,000个训练样本和10,000个测试样本，每个样本都是28x28像素的灰度图像，代表0到9的手写数字。
BP算法通过迭代过程，对每个样本进行前向传播计算预测结果，并使用梯度下降优化方法更新权重，以提高模型在训练集上的表现。
文件"bp_two_layer_net.py"可能包含了实现BP算法的主体代码，它定义了网络结构，包括输入层、隐藏层和输出层。
"net_layer.py"可能是定义神经网络层的模块，包括前向传播和反向传播的函数。
"train_bp_two_neuralnet.py"很可能是训练脚本，调用前面的网络和训练数据，执行多次迭代以优化权重。
"buy_orange_apple.py"、"layer_naive.py"、"gradient_check.py"和"buy_apple.py"这四个文件的名称看起来与主题不太直接相关，但它们可能是辅助代码或者示例程序。
"buy_orange_apple.py"可能是一个简单的决策问题，用于帮助理解基本的逻辑操作；
"layer_naive.py"可能包含了一个基础的神经网络层实现，没有使用高级库；
"gradient_check.py"可能是用来验证反向传播计算梯度正确性的工具，这对于调试深度学习模型至关重要；
而"buy_apple.py"可能是另一个类似的小示例，用于教学或练习目的。
在BP算法中，计算图的概念很重要。
计算图将计算过程表示为一系列节点和边，节点代表操作，边代表数据。
在反向传播过程中，通过计算图的反向遍历，可以高效地计算出每个参数对损失函数的影响，从而更新参数。
在深度学习中，神经网络的优化通常依赖于梯度下降算法，它根据梯度的方向和大小来更新权重。
对于大型网络，通常采用随机梯度下降（Stochastic Gradient Descent, SGD）或其变种，如动量SGD、Adam等，以提高训练速度和避免局部最优。
总结来说，这个项目涉及了误差反向传播算法在神经网络中的应用，特别是在解决MNIST手写数字识别问题上的实践。
通过理解和实现这些文件，我们可以深入理解BP算法的工作原理，以及如何在实际问题中构建和训练神经网络。
同时，它也展示了计算图和梯度检查在深度学习模型开发中的关键作用。

对单个图片进行k-svd进行稀疏表示，求出迭代后的字典和稀疏编码，并通过字典和稀疏编码进行重建原图像，该代码是2006年k-svd算法提出者的简单实现代码，对小白有一定帮助

matlab手动搭建一个单隐层神经网络用于识别手写数字，实现:标准化数据集，计算损失函数，梯度下降法，反向传播，加深对神经网络的理解。

触控一体机输入法专为触控一体机设计的智能输入法，包含有以下功能：支持全键盘、九宫格（T9模式）智能拼音、身份证键盘，数字键盘等。
支持手写识别。
支持智能笔画（T9笔画）。
可以定制皮肤、皮肤更换，自定义Layout(键盘布局)。
支持记忆、调频。
可以随意修改输入法面板的尺寸，可以很好适应各种尺寸的屏幕。
有丰富的符号表供使用。
界面支持半透明，即使被输入法档住的内容也可以看到。
支持焦点跟踪，有输入跟踪可以自动弹出。
允许最小化，开启关闭更加方便。
丰富的二次开发接口，让您灵活定制无缝对接。
支持命令行调用各种功能，可以降低二次开发难度。
支持url方式调用，可以直接在浏览器上调用输入法，直接用html、js控制输入法。
浏览器内自动弹出，兼容各种浏览器。
(2018新)新布局框架，可以实现更多特效键盘。
(2018新)版本V1.5.0最新加入多字识别功能，可以连续手写短句。
(2018新)增加ActiveX(OCX)控制控件，使输入法和IE浏览器可以完美结合。
(2018.9.13新)增加全屏手写识别，整个屏幕都可以写字，欢迎下载试用。
(2018.9.21最新)增加支持【86五笔字型】、【繁体仓颉】、【韩语拼音】。
(2018.9.29最新)

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。