精华内容
下载资源
问答
  • 基于BP神经网络的手写数字识别系统,程序使用python语言编写,训练数据集为mnist;交互界面使用PYQT编写,用户可在画板通过鼠标书写数字作为识别对象。
  • 4使用minist数据集,也可以导入其他手写数字数据集
  • 基于MATLAB(2016)的手写数字识别系统,对手写数字进行特征提取等预处理,使用BP神经网络对特征进行训练,得到模型后分别对手写数字图片和视频进行识别,附有详细的手打注释
  • 手写数字识别源码+手写数字数据集
  • 基于Matlab的手写数字识别系统,准确率还行,配有GUI界面
  • Python(TensorFlow框架)实现手写数字识别系统

    万次阅读 多人点赞 2019-07-31 11:27:55
    本文使用Tensorflow框架进行Python编程实现基于卷积神经网络的手写数字识别算法,并将其封装在一个GUI界面中,最终,设计并实现了一个手写数字识别系统。

    手写数字识别算法的设计与实现

    本文使用python基于TensorFlow设计手写数字识别算法,并编程实现GUI界面,构建手写数字识别系统。这是本人的本科毕业论文课题,当然,这个也是机器学习的基本问题。本博文不会以论文的形式展现,而是以编程实战完成机器学习项目的角度去描述。


    项目要求:本文主要解决的问题是手写数字识别,最终要完成一个识别系统。

    设计识别率高的算法,实现快速识别的系统。

    1 LeNet-5模型的介绍

    本文实现手写数字识别,使用的是卷积神经网络,建模思想来自LeNet-5,如下图所示:
    在这里插入图片描述
    这是原始的应用于手写数字识别的网络,我认为这也是最简单的深度网络。

    LeNet-5不包括输入,一共7层,较低层由卷积层和最大池化层交替构成,更高层则是全连接和高斯连接。

    LeNet-5的输入与BP神经网路的不一样。这里假设图像是黑白的,那么LeNet-5的输入是一个32*32的二维矩阵。同时,输入与下一层并不是全连接的,而是进行稀疏连接。本层每个神经元的输入来自于前一层神经元的局部区域(5×5),卷积核对原始图像卷积的结果加上相应的阈值,得出的结果再经过激活函数处理,输出即形成卷积层(C层)。卷积层中的每个特征映射都各自共享权重和阈值,这样能大大减少训练开销。降采样层(S层)为减少数据量同时保存有用信息,进行亚抽样。

    第一个卷积层(C1层)由6个特征映射构成,每个特征映射是一个28×28的神经元阵列,其中每个神经元负责从5×5的区域通过卷积滤波器提取局部特征。一般情况下,滤波器数量越多,就会得出越多的特征映射,反映越多的原始图像的特征。本层训练参数共6×(5×5+1)=156个,每个像素点都是由上层5×5=25个像素点和1个阈值连接计算所得,共28×28×156=122304个连接。

    S2层是对应上述6个特征映射的降采样层(pooling层)。pooling层的实现方法有两种,分别是max-pooling和mean-pooling,LeNet-5采用的是mean-pooling,即取n×n区域内像素的均值。C1通过2×2的窗口区域像素求均值再加上本层的阈值,然后经过激活函数的处理,得到S2层。pooling的实现,在保存图片信息的基础上,减少了权重参数,降低了计算成本,还能控制过拟合。本层学习参数共有1*6+6=12个,S2中的每个像素都与C1层中的2×2个像素和1个阈值相连,共6×(2×2+1)×14×14=5880个连接。

    S2层和C3层的连接比较复杂。C3卷积层是由16个大小为10×10的特征映射组成的,当中的每个特征映射与S2层的若干个特征映射的局部感受野(大小为5×5)相连。其中,前6个特征映射与S2层连续3个特征映射相连,后面接着的6个映射与S2层的连续的4个特征映射相连,然后的3个特征映射与S2层不连续的4个特征映射相连,最后一个映射与S2层的所有特征映射相连。此处卷积核大小为5×5,所以学习参数共有6×(3×5×5+1)+9×(4×5×5+1)+1×(6×5×5+1)=1516个参数。而图像大小为28×28,因此共有151600个连接。

    S4层是对C3层进行的降采样,与S2同理,学习参数有16×1+16=32个,同时共有16×(2×2+1)×5×5=2000个连接。

    C5层是由120个大小为1×1的特征映射组成的卷积层,而且S4层与C5层是全连接的,因此学习参数总个数为120×(16×25+1)=48120个。

    F6是与C5全连接的84个神经元,所以共有84×(120+1)=10164个学习参数。

    卷积神经网络通过通过稀疏连接和共享权重和阈值,大大减少了计算的开销,同时,pooling的实现,一定程度上减少了过拟合问题的出现,非常适合用于图像的处理和识别。

    2 手写数字识别算法模型的构建

    2.1 各层设计

    有了第一节的基础知识,在这基础上,进行完善和改进。

    输入层设计

    输入为28×28的矩阵,而不是向量。

    激活函数的选取

    Sigmoid函数具有光滑性、鲁棒性和其导数可用自身表示的优点,但其运算涉及指数运算,反向传播求误差梯度时,求导又涉及乘除运算,计算量相对较大。同时,针对本文构建的含有两层卷积层和降采样层,由于sgmoid函数自身的特性,在反向传播时,很容易出现梯度消失的情况,从而难以完成网络的训练。因此,本文设计的网络使用ReLU函数作为激活函数。

    ReLU的表达式:
    在这里插入图片描述

    卷积层设计

    本文设计卷积神经网络采取的是离散卷积,卷积步长为1,即水平和垂直方向每次运算完,移动一个像素。卷积核大小为5×5。

    降采样层

    本文降采样层的pooling方式是max-pooling,大小为2×2。

    输出层设计

    输出层设置为10个神经网络节点。数字0~9的目标向量如下表所示:
    在这里插入图片描述

    2.2 网络模型的总体结构

    在这里插入图片描述
    其实,本文网络的构建,参考自TensorFlow的手写数字识别的官方教程的,读者有兴趣也可以详细阅读。

    2.3 编程实现算法

    本文使用Python,调用TensorFlow的api完成手写数字识别的算法。
    注:本文程序运行环境是:Win10,python3.5.2。当然,也可以在Linux下运行,由于TensorFlow对py2和py3兼容得比较好,在Linux下可以在python2.7中运行。

    #!/usr/bin/env python2
    # -*- coding: utf-8 -*-
    """
    Created on Fri Feb 17 19:50:49 2017
    
    @author: Yonghao Huang
    """
    
    #import modules
    import numpy as np
    import matplotlib.pyplot as plt
    import tensorflow as tf
    import time
    from datetime import timedelta
    import math
    from tensorflow.examples.tutorials.mnist import input_data
    
    
    def new_weights(shape):
        return tf.Variable(tf.truncated_normal(shape,stddev=0.05))
    def new_biases(length):
        return tf.Variable(tf.constant(0.1,shape=length))
    def conv2d(x,W):
        return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')
    def max_pool_2x2(inputx):
        return tf.nn.max_pool(inputx,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
    
    #import data
    data = input_data.read_data_sets("./data", one_hot=True)  # one_hot means [0 0 1 0 0 0 0 0 0 0] stands for 2
    
    print("Size of:")
    print("--Training-set:\t\t{}".format(len(data.train.labels)))
    print("--Testing-set:\t\t{}".format(len(data.test.labels)))
    print("--Validation-set:\t\t{}".format(len(data.validation.labels)))
    data.test.cls = np.argmax(data.test.labels,axis=1)   # show the real test labels:  [7 2 1 ..., 4 5 6], 10000values
    
    x = tf.placeholder("float",shape=[None,784],name='x')
    x_image = tf.reshape(x,[-1,28,28,1])
    
    y_true = tf.placeholder("float",shape=[None,10],name='y_true')
    y_true_cls = tf.argmax(y_true,dimension=1)
    # Conv 1
    layer_conv1 = {"weights":new_weights([5,5,1,32]),
                   "biases":new_biases([32])}
    h_conv1 = tf.nn.relu(conv2d(x_image,layer_conv1["weights"])+layer_conv1["biases"])
    h_pool1 = max_pool_2x2(h_conv1)
    # Conv 2
    layer_conv2 = {"weights":new_weights([5,5,32,64]),
                   "biases":new_biases([64])}
    h_conv2 = tf.nn.relu(conv2d(h_pool1,layer_conv2["weights"])+layer_conv2["biases"])
    h_pool2 = max_pool_2x2(h_conv2)
    # Full-connected layer 1
    fc1_layer = {"weights":new_weights([7*7*64,1024]),
                "biases":new_biases([1024])}
    h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])
    h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,fc1_layer["weights"])+fc1_layer["biases"])
    # Droupout Layer
    keep_prob = tf.placeholder("float")
    h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)
    # Full-connected layer 2
    fc2_layer = {"weights":new_weights([1024,10]),
                 "biases":new_weights([10])}
    # Predicted class
    y_pred = tf.nn.softmax(tf.matmul(h_fc1_drop,fc2_layer["weights"])+fc2_layer["biases"])  # The output is like [0 0 1 0 0 0 0 0 0 0]
    y_pred_cls = tf.argmax(y_pred,dimension=1)  # Show the real predict number like '2'
    # cost function to be optimized
    cross_entropy = -tf.reduce_mean(y_true*tf.log(y_pred))
    optimizer = tf.train.AdamOptimizer(learning_rate=1e-4).minimize(cross_entropy)
    # Performance Measures
    correct_prediction = tf.equal(y_pred_cls,y_true_cls)
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
    with tf.Session() as sess:
        init = tf.global_variables_initializer()
        sess.run(init)
        train_batch_size = 50
        def optimize(num_iterations):
            total_iterations=0
            start_time = time.time()
            for i in range(total_iterations,total_iterations+num_iterations):
                x_batch,y_true_batch = data.train.next_batch(train_batch_size)
                feed_dict_train_op = {x:x_batch,y_true:y_true_batch,keep_prob:0.5}
                feed_dict_train = {x:x_batch,y_true:y_true_batch,keep_prob:1.0}
                sess.run(optimizer,feed_dict=feed_dict_train_op)
                # Print status every 100 iterations.
                if i%100==0:
                    # Calculate the accuracy on the training-set.
                    acc = sess.run(accuracy,feed_dict=feed_dict_train)
                    # Message for printing.
                    msg = "Optimization Iteration:{0:>6}, Training Accuracy: {1:>6.1%}"
                    # Print it.
                    print(msg.format(i+1,acc))
            # Update the total number of iterations performed
            total_iterations += num_iterations
            # Ending time
            end_time = time.time()
            # Difference between start and end_times.
            time_dif = end_time-start_time
            # Print the time-usage
            print("Time usage:"+str(timedelta(seconds=int(round(time_dif)))))
        test_batch_size = 256
        def print_test_accuracy():
            # Number of images in the test-set.
            num_test = len(data.test.images)
            cls_pred = np.zeros(shape=num_test,dtype=np.int)
            i = 0
            while i < num_test:
                # The ending index for the next batch is denoted j.
                j = min(i+test_batch_size,num_test)
                # Get the images from the test-set between index i and j
                images = data.test.images[i:j, :]
                # Get the associated labels
                labels = data.test.labels[i:j, :]
                # Create a feed-dict with these images and labels.
                feed_dict={x:images,y_true:labels,keep_prob:1.0}
                # Calculate the predicted class using Tensorflow.
                cls_pred[i:j] = sess.run(y_pred_cls,feed_dict=feed_dict)
                # Set the start-index for the next batch to the
                # end-index of the current batch
                i = j
            cls_true = data.test.cls
            correct = (cls_true==cls_pred)
            correct_sum = correct.sum()
            acc = float(correct_sum) / num_test
            # Print the accuracy
            msg = "Accuracy on Test-Set: {0:.1%} ({1}/{2})"
            print(msg.format(acc,correct_sum,num_test))
        # Performance after 10000 optimization iterations
        
        
        
    

    运行结果显示:测试集中准确率大概为99.2%。
    我还写了一些辅助函数,可以查看部分识别错误的图片,
    在这里插入图片描述
    还可以查看混淆矩阵,
    在这里插入图片描述

    2.3 实现手写识别系统

    最后,将训练好的参数保存,封装进一个GUI界面中,形成一个手写识别系统。
    在这里插入图片描述
    系统中还添加了一点图像预处理的操作,比如灰度化,图像信息的归一化等,更贴近实际应用。
    系统可进行快速识别,如下图:
    在这里插入图片描述

    3 总结

    本文实现的系统其实是基于卷积神经网络的手写数字识别系统。该系统能快速实现手写数字识别,成功识别率高。缺点:只能正确识别单个数字,图像预处理还不够,没有进行图像分割,读者也可以自行添加,进行完善。

    4 收获

    本人之前的本科期间,虽然努力学习高数、线性代数和概率论,但是没有认真学习过机器学习,本人是2017年才开始系统学习机器学习相关知识,而且本科毕业论文也选择了相关的课题,虽然比较基础,但是认真完成后,有一种学以致用的满足感,同时也激励着我进行更深入的理论学习和实践探讨,与所有读者共勉。

    ==================================

    2018年5月13日更新

    以上是基本网络的设计与基本的实现,可满足入门学习。

    相关链接:


    ========================================

    2018年6月6日更新更新!!

    python(TensorFlow)实现手写字符识别


    此处的“手写字符”,其实指的是notMNIST数据库中的手写字符,其实和MNIST数据库是一样的。这里实现手写字符识别,主要是展示TensorFlow框架的可拓展性很强,具体来说,就是可以通过改动少部分的代码,从而实现一个新的识别功能。

    NotMnist数据库

    这个数据库和MNIST数据库基本一样,只是把10个数字换成了10个字母,即:A,B,C,D,E,F,G,H,I,J,K
    当然,这个数据库的识别难度大一些,因为数据噪声更多一些,详情读者可以搜一搜了解一下。

    实战

    将NotMNIST数据库下载以后,放在本博文上述的网络中,基本不需要修改代码,直接训练,即可得到一个能识别字符的网络模型。

    最后在测试集中的准确率,比MNIST的会低一些,大概为96%左右。

    本文也将训练好的网络模型封装在和上述系统相似的GUI系统中,

    [外链图片转存失败(img-k7xPyAio-1564543116627)(https://i.imgur.com/59M3NlD.png)]

    识别效果还可以!

    同样,将卷积卷积层可视化。

    [外链图片转存失败(img-tIWWgZB9-1564543116629)(https://i.imgur.com/4awe7NY.png)]

    结语

    TensorFlow框架可拓展性很强,只要设计好了网络,就能很容易的实现出来;同时,使用基本的CNN识别整体架构也是大同小异的,很多识别任务是通用的。当然,在具体的实践中需要得到接近完美的效果,还是要下很大功夫的!努力学习吧,加油!
    (如果你/您有什么有趣的想法,可以在下面留言,如果我也感兴趣同时又有时间的话,我会尝试做一做,_

    展开全文
  • mnist手写数字项目中输入的手写数字,在机器学习入门项目mnist手写数字识别中,需要用到的输入图片,.png格式,免费共享。
  • mnist手写数字项目中输入的手写数字,在机器学习入门项目mnist手写数字识别中,需要用到的输入图片,.png格式,免费共享。
  • mnist手写数字项目中输入的手写数字,在机器学习入门项目mnist手写数字识别中,需要用到的输入图片,.png格式,免费共享。
  • mnist手写数字项目中输入的手写数字,在机器学习入门项目mnist手写数字识别中,需要用到的输入图片,.png格式,免费共享。
  • mnist手写数字项目中输入的手写数字,在机器学习入门项目mnist手写数字识别中,需要用到的输入图片,.png格式,免费共享。
  • mnist手写数字项目中输入的手写数字,在机器学习入门项目mnist手写数字识别中,需要用到的输入图片,.png格式,免费共享。
  • mnist手写数字项目中输入的手写数字,在机器学习入门项目mnist手写数字识别中,需要用到的输入图片,.png格式,免费共享。
  • mnist手写数字项目中输入的手写数字,在机器学习入门项目mnist手写数字识别中,需要用到的输入图片,.png格式,免费共享。
  • mnist手写数字项目中输入的手写数字,在机器学习入门项目mnist手写数字识别中,需要用到的输入图片,.png格式,免费共享。
  • 利用深度学习的方法进行手写数字的识别,识别率高达99+
  • KNN手写数字识别.7z

    2020-04-15 11:19:06
    利用OpenCV中的KNN聚类方法来实现手写数字识别,可实时在创建的窗口画板上书写数字并进行识别。内含训练用的手写数字数据,如果缺失dll文件可以下载我的另一个资源“install文件”,其中包含了联合openVINO和CUDA...
  • 手写数字识别

    2018-12-14 09:14:25
    这是一款自动识别手写数字的系统,能自动识别数字,编译通过
  • 学习机器学习入门项目mnist手写数字识别项目中,读入手写数字图片 零到九的.png格式图片,网站上找不到相关资源,本人手写数字拍照并转格式为.png,打包pic文件。
  • 手写数字识别程序 手写数字识别程序 手写数字识别程序 手写数字识别程序 手写数字识别程序 手写数字识别程序 手写数字识别程序 手写数字识别程序 手写数字识别程序
  • mnist手写数字数字

    2019-12-11 14:15:19
    5000个mnist手写数字数字集,4500个训练集(Xtrain,ytrain),500个测试集(Xtest,ytest)。 每个样本X有400个特征,10种答案(1~10,10表示0)
  • 手写数字识别】基于支持向量机SVM实现手写数字识别matlab源码含GUI.md
  • python_手写数字识别案例、手写数字图片处理 #1、手写数字识别案例 步骤: 收集数据 带有标签的训练数据集来源于trainingDigits文件夹里面所有的文件,接近2000个文件,每个文件中有32*32的二维数组,由01构成...

    python_手写数字识别案例、手写数字图片处理

    • 1、手写数字识别案例

    步骤:

    1. 收集数据
      带有标签的训练数据集来源于trainingDigits文件夹里面所有的文件,接近2000个文件,每个文件中有32*32的二维数组,由01构成,文件名称就是该文件数据对应的标签类型(即一个数字)。
    2. 处理数据使其符合算法要求
      最终我们要求是一个二维数组作为数据源,所以需要将每一个文件对应的特征数据处理成一行,即1*1024,这样所有样本集就变成了2000行的1024列的大二维数组
    3. 根据以上得到的标签集合和大二维数据数据集,再确定一个k紧邻的k值,就可以作为输入条件进行训练了。
    4. 给定一个测试文件,将其跟第2步一样处理成为1*1024数组,作为未知样本,然后根据knn分类算法,进行分类操作,算法同电影分类案例。
      函数头:def getcls(cur,cls,dataSet,k): def getcls(cur,cls,dataSet,k)
      Cur:未知样本,cls:训练数据集标签集合,dataSet:训练数据集 k:最近的几个邻居

    ‘’’
    #coding=utf-8
    #手写数字识别案例
    import numpy as np
    import os
    ‘’‘fnames为所有的文件名,fname为每一个文件名,vec为一个1*1024的二维数组,f表示整个文件内容,line为某一行’’’
    ‘’‘函数用来根据样本集合和未知点判断最终未知点所属类别,knn’’’
    def knncls(dataSet,cur,labels,k):
    #1、判断当前点到每个样本点距离
    a=np.tile(cur,(dataSet.shape[0],1)) #重复cur使其dataSet数组的shape相同
    #a与dataSet距离
    diff=dataSet-a;
    diff=diff2
    diff=np.sum(diff,axis=1)
    diff=diff
    0.5 #欧式距离
    #对diff进行排序
    indexes=np.argsort(diff) #返回值是距离在原来样本集合下标
    #寻找前k个邻居的标签都是什么,确定了标签及出现次数{‘爱情’:11,‘动作’:80}
    dic={}
    for i in range(k):
    key=labels[indexes[i]]
    dic[key]=dic.get(key,0)+1
    #对字典按照value进行排序,次数多的在前面
    lst=sorted(dic.items(),key=lambda kv:kv[1],reverse=True)
    return lst[0][0]

    ‘’‘创建一个训练集合20001024,未知数据就是11024’’’
    def createDataSet():
    #从traningset文件夹读取所有的文件,然后每个文件处理成一个1*1024的数组
    fnames=os.listdir(‘D:/trainingDigits’)
    dataSet=np.zeros((len(fnames),1024))#训练集合二维数组
    labels=[]#分类标签
    i=0
    for fname in fnames:
    #读取这个文件,然后将文件内容转为一维数组
    vec=img2vec(‘D:/trainingDigits/’+fname)
    dataSet[i,:]=vec[0]
    labels.append(fname[0])
    i+=1
    return dataSet,labels #python可以返回两个值

    ‘’‘将图片变成一维数组’’’
    def img2vec(fname):
    #定义一个11024的数组
    vec=np.zeros((1,1024))
    f=open(fname,‘r’)
    row=0
    for line in f:
    for j in range(32):
    vec[0][row
    32+j]=line[j] #例如vec[0][1]=line[1]
    row+=1
    return vec

    if name==‘main’:
    num=0
    i=0
    k=input(“请输入k值:”) #提示用户输入k值
    k=int(k)
    #创建训练集
    dataSet,labels=createDataSet()
    #定义一个未知数据
    tnames=os.listdir(‘D:/testDigits’) #读取testDigits文件
    curs=np.zeros((len(tnames),1024))#测试集合二维数组
    for tname in tnames:
    #读取这个文件,然后将文件内容转为一维数组
    cur=img2vec(‘D:/testDigits/’+tname)
    curs[i,:]=cur[0] #curs中是所有的文件内容
    res=knncls(dataSet,cur,labels,k)
    #判断正确的个数用num记录,正确时加一
    if tname[0]==res:
    num+=1
    accuracy=round(100*num/curs.shape[0],3) #计算手写数字识别的正确率,用百分率表示
    print(“正确率为:{}%”.format(accuracy))
    ‘’’

    • 2、手写数字图片处理

      处理问题:给定一张图片,对图片进行灰阶处理,然后进行二进制化,最终变成我们knn算法需要的样子。函数:将图片变成01
      

      将处理图片为二进制的函数定义在单独的一个py文件中,形成一个模块,方便别的模块进行导入。
      主要的流程就是将图片打开之后,进行降噪处理,然后将其灰度化,最后设置一个阙值将其二值化保存到一个32*32的数组中

    import numpy as np
    from PIL import Image
    import img2vec as pic
    import os
    ‘’‘函数用来根据样本集合和未知点判断最终未知点所属类别,knn’’’
    def knncls(dataSet,cur,labels,k):
    #1、判断当前点到每个样本点距离
    a=np.tile(cur,(dataSet.shape[0],1))
    #a与dataSet距离
    diff=dataSet-a;
    diff=diff2
    diff=np.sum(diff,axis=1)
    diff=diff
    0.5 #欧式距离
    #对diff进行排序
    indexes=np.argsort(diff) #返回值是距离在原来样本集合下标
    #寻找前k个邻居的标签都是什么,确定了标签及出现次数{‘爱情’:11,‘动作’:80}
    dic={}
    for i in range(k):
    key=labels[indexes[i]]
    dic[key]=dic.get(key,0)+1
    #对字典按照value进行排序,次数多的在前面
    lst=sorted(dic.items(),key=lambda kv:kv[1],reverse=True)
    return lst[0][0]

    ‘’‘创建一个训练集合20001024,未知数据就是11024’’’
    def createDataSet():
    #从traningset文件夹读取所有的文件,然后每个文件处理成一个1*1024的数组
    fnames=os.listdir(‘D:/trainingDigits’) #注意是/而不是
    dataSet=np.zeros((len(fnames),1024))#训练集合二维数组
    labels=[]#分类标签
    i=0
    for fname in fnames:
    #读取这个文件,然后将文件内容转为一维数组
    vec=img2vec(‘D:/trainingDigits/’+fname)
    dataSet[i,:]=vec
    labels.append(fname[0])
    i+=1
    return dataSet,labels

    ‘’‘将图片变成一维数组’’’
    def img2vec(fname):
    #定义一个11024的数组
    vec=np.zeros((1,1024))
    f=open(fname,‘r’)
    row=0
    for line in f:
    for j in range(32):
    vec[0][row
    32+j]=line[j]
    row+=1
    return vec

    if name==‘main’:
    #创建训练集
    dataSet,labels=createDataSet()
    #定义一个未知数据
    testfile=‘test.png’
    #将图片处理成txt文件,里面是0、1
    pic.picTo01(testfile)
    cur=img2vec(“test.txt”)
    res=knncls(dataSet,cur,labels,3)
    print(res)

    附代码链接:
    http://localhost:8888/notebooks/cyl_day4(手写数字识别).ipynb

    展开全文

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 190,385
精华内容 76,154
关键字:

手写数字