MNIST深度学习入门级资源，相当于编程的helloworld

编程环境：Anaconda中的notebook；
利用三层神经网络实现MNIST数据库（CSV格式）的手写字符识别；
并且计算出识别的准确率

MNIST数据集!

TensorFlow实现训练Alexnet网络，训练mnist数据集合cfar数据集。
mnist数据集测试准确度0.986.不需要下载权重，因为输出大小不一样。

caffe的mnist例子的测试集转换成了caffe网络可以用的lmdb格式配合博客来看http://blog.csdn.net/gyh_420/article/details/78230536

构建CNNLayerBuilderbuilder=newLayerBuilder();builder.addLayer(Layer.buildInputLayer(newSize(28,28)));builder.addLayer(Layer.buildConvLayer(6,newSize(5,5)));builder.addLayer(Layer.buildSampLayer(newSize(2,2)));builder.addLayer(Layer.buildConvLayer(12,newSize(5,5)));builder.addLayer(Layer.buildSampLayer(newSize(2,2)));builder.addLayer(Layer.buildOutputLayer(10));CNNcnn=newCNN(builder,50);运行MNIST数据集StringfileName="data/train.format";Datasetdataset=Dataset.load(fileName,",",784);cnn.train(dataset,100);Datasettestset=Dataset.load("data/test.format",",",-1);cnn.predict(testset,"data/test.predict");计算精度可以达到97.8%。

MNIST数据库，其中训练60000张，测试10000张。
数据文件来自http://yann.lecun.com/exdb/mnist/已经提取出图片文件根据0-9分别存放。

本资源是将mnist数据集转为28*28大小的图片形式，以及每张图片对应的标签（将one-hot标签转为对应数字）

手写体识别数据和原码，主要适用python中的numpy库，完成多层感知机，CNN，这两种方式对mnist数据集的识别

图像分类-卷积神经网络：使用MNIST时尚数据集，构建了卷积神经网络将图像分类为10个类别之一。
使用TensorFlowFramework和Keras库实现了CNN。
在GoogleColab上以60,000张图像训练模型

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。