MNIST数据集!

二次开发labelImg-中文版热键Ctrl+u从目录加载所有图像Ctrl+r更改默认注释目标目录Ctrl+s保存Ctrl+d复制当前标签和矩形框Space将当前图像标记为已验证w创建一个矩形框d下一张图片a上一张图片del删除所选的矩形框Ctrl++放大Ctrl--缩小↑→↓←键盘箭头移动选定的矩形框工具说明生成Yolov3目录选择目录自动生成Yolov3目录结构data\backupdata\cfgdata\obj标注图片目录生成Yolov3标注选择自动生成的Yolov3自动读取data\obj目录生成data\train.txtdata\voc.datadata\voc.names注：生成标注目录请切换YOLO模式

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%。

20newsgroup数据集是机器学习中的一个标准数据集。
它包含18828个文档，来自于20个不同的新闻组。
该资源包含一个原信息文件和3个目录：test、train和raw。
测试和训练目录将整个数据集切分为60%的训练和40%的测试文档。

imdb.npz电影评论数据集当我们按照教程书籍里面的代码试验时，往往会出现数据集下载失败的问题.执行(train_data,train_labels),(test_data,test_labels)=imdb.load_data(num_words=10000)出现Downloadingdatafromhttps://s3.amazonaws.com/text-datasets/imdb.npz，网络连接失败。
此时，将下载好的imdb.npz文件放在主目录下的.keras/datasets文件夹下即可。

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

Kaggle-House-Prices-Advanced-Regression-Techniques原始数据集，包括train.csv,test.csv,data_description.txt

里面包括肝脏分割数据集和整个工程所有文件，下载完之后直接运行就好，工程文件包括model.py,train.py和predict.py三个文件，数据集中训练集一共有400张肝脏图片及对应分割模板，验证集一共有20张肝脏图片及对应分割模板

测试手写识别，识别率还是蛮高的。
train-images-idx3-ubyte.gz:trainingsetimages(9912422bytes)train-labels-idx1-ubyte.gz:trainingsetlabels(28881bytes)t10k-images-idx3-ubyte.gz:testsetimages(1648877bytes)t10k-labels-idx1-ubyte.gz:testsetlabels(4542bytes)

VOC数据转为Lmdb数据格式的具体过程。
包括create_imagenet.sh,读取图片名称rd.py和readData.py和train.txt格式。
有助于理解lmdb数据格式转化的全过程

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。