目录结构：准备训练样本修改源文件构建用户的训练数据文件夹训练各种曲线的绘制各种参数解析

针对高光谱图像特征利用不足和训练样本难以获取的问题,提出了一种具有多特征和改进堆栈稀疏自编码网络的高光谱图像分类算法。
采用流形学习获得高光谱图像的低维数据结构,并提取高光谱图像的光谱特征、具有空间信息的局部二值模式(LBP)特征及拓展多属性剖面(EMAP)特征。
利用主动学习查询特征性强的未标记样本并将其标记,利用融合空谱联合信息的样本训练堆栈主动稀疏自编码神经网络并用Softmax分类器对其分类。
Indianpines数据集的总体分类精度达到98.14%,PaviaU数据集总体分类精度达到97.24%。
实验结果表明,该算法分类精度高,边界点分类效果更好。

用opencv提供的级联分类器进行人脸、人头检测的训练样本库，本资中包含正负样本，其中正样本10000张，负样本20000张。

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。

内含训练样本，分类数据和一整套matlab代码，可直接运行，作者是参考Spectral-SpatialHyperspectralImageClassificationUsingSuperpixelandExtremeLearningMachines文章自行编写的，效果良好。

用opencv的traincascade.bat来训练人头，内有人头正样本和负样本，还有归一化尺寸的matlab代码，不需要建立工程，只需简单设置参数就可以进行训练，同时内txt文档还有使用的过程，使训练更简答

MNIST数据集，MNIST训练样本，MNIST测试样本，txt格式

代码分为read_can_use.m和main_can_ues.m先运行read_can_use.m读取图片的像素值，使用奇异值分解的方法得到对应的特征。
程序预设了只读取前5个人的人脸图片，可以自己改成最多15个人。
然后运行main_can_use.m，程序会输出112323，每个数字代表一张图片最有可能的识别类别（就是人的编号）。
对每个人的11张图片，取前7张训练网络，后4张测试网络，取前5个人进行实验。
所以共有35个训练样本，20个测试样本。
比如输出的结果是111122123333…..，因为每4个数字是属于同一个人的，前四个都是1则都预测正确，第二组的4个数字2212中的那个1就是预测错误（本来是2预测成了1）。
由于参数的随机初始化，不保证每次的结果都相同。

首先利用PCA进行降维，并利用SVM对高光谱数据进行分类，数据采用印第安纳农场数据，训练样本比例可调，设计了一个GUI

包含车辆正负样本，以及opencv_createsamples.exe、opencv_traincascade.exe以及训练样本结果

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。