精华内容
下载资源
问答
  • MNIST数据集介绍 MNIST数据集官网:http://yann.lecun.com/exdb/mnist/ MNIST数据库是非常经典的一个数据集,就像你学编程起初写一个“Hello Word”的程序一样,学Deep Learning你就会写识别MNIST数据集的Model。 ...

    MNIST数据集介绍

    MNIST数据集官网:http://yann.lecun.com/exdb/mnist/

    MNIST数据库是非常经典的一个数据集,就像你学编程起初写一个“Hello Word”的程序一样,学Deep Learning你就会写识别MNIST数据集的Model。

    MNIST数据集是由0〜9手写数字图片和数字标签所组成的,由60000个训练样本和10000个测试样本组成,每个样本都是一张28 * 28像素的灰度手写数字图片。

    import numpy as np
        train_images = np.load('train_images.npy')

    公众号后台回复"minist数据集"

    本文由博客一文多发平台 OpenWrite 发布!

    展开全文
  • 下载minist数据集程序

    2018-11-03 22:47:29
    下载minist数据集的python程序。对数据进行处理,把数据展示成灰度的形式。
  • minist数据集

    2019-01-15 23:10:31
    包含minist数据集,用于学习和初步测试算法。
  • tensorflow minist数据集

    2018-01-13 13:59:19
    tensorflow 的官方样例 手写数字识别的minist数据集,官网下载的,给有需要的朋友
  • minist数据集只能的数据集文件raw.zip
  • MINIST数据集

    2017-08-30 16:41:37
    MNIST是一个手写数字数据库,它有60000个训练样本和10000个测试样本。它是NIST数据库的一个子集。
  • MINIST数据集完全版

    2019-11-16 15:55:59
    MINIST数据集是人工智能入门的经典数据集,但是官方网站在国外,经常访问不了,因此,因此,给大家提供一个直接下载提供的方法,不仅有gz文件还有解压后的文件。
  • 学习制作minist数据集小工具,轻松搞定自己的数据集,从而使自己的数据集能够像minist那样规范、整洁,便于处理和应用,提炼出自己想要的结果。
  • 使用MINIST数据集-附件资源
  • minist数据集.zip

    2021-09-14 20:15:32
    包含原始数据,处理后的csv数据
  • 基于PCA+SVM的MINIST数据集分类

    千次阅读 2018-03-02 22:55:01
    1. MINIST数据集下载地址:http://yann.lecun.com/exdb/mnist/.2. MINIST数据图像读取MATLAB代码(参考斯坦福大学Andrew Ng教授的课件):function images = loadMNISTImages(filename) %loadMNISTImages returns a 28...

    1. MINIST数据集下载地址:http://yann.lecun.com/exdb/mnist/.

    2. MINIST数据图像读取MATLAB代码(参考斯坦福大学Andrew Ng教授的课件):

    function images = loadMNISTImages(filename)
    %loadMNISTImages returns a 28x28x[number of MNIST images] matrix containing
    %the raw MNIST images
    
    fp = fopen(filename, 'rb');
    assert(fp ~= -1, ['Could not open ', filename, '']);
    
    magic = fread(fp, 1, 'int32', 0, 'ieee-be');
    assert(magic == 2051, ['Bad magic number in ', filename, '']);
    
    numImages = fread(fp, 1, 'int32', 0, 'ieee-be');
    numRows = fread(fp, 1, 'int32', 0, 'ieee-be');
    numCols = fread(fp, 1, 'int32', 0, 'ieee-be');
    
    images = fread(fp, inf, 'unsigned char');
    images = reshape(images, numCols, numRows, numImages);
    images = permute(images,[2 1 3]);
    
    fclose(fp);
    
    % Reshape to #pixels x #examples
    images = reshape(images, size(images, 1) * size(images, 2), size(images, 3));
    % Convert to double and rescale to [0,1]
    images = double(images) / 255;
    end

    3. MINIST数据label读取MATLAB代码(参考斯坦福大学AndrewNg教授的课件):

    function labels = loadMNISTLabels(filename)
    %loadMNISTLabels returns a [number of MNIST images]x1 matrix containing
    %the labels for the MNIST images
    
    fp = fopen(filename, 'rb');
    assert(fp ~= -1, ['Could not open ', filename, '']);
    
    magic = fread(fp, 1, 'int32', 0, 'ieee-be');
    assert(magic == 2049, ['Bad magic number in ', filename, '']);
    numLabels = fread(fp, 1, 'int32', 0, 'ieee-be');
    labels = fread(fp, inf, 'unsigned char');
    assert(size(labels,1) == numLabels, 'Mismatch in label count');
    
    fclose(fp);
    end

    4. PCA介绍:PCA主要通过对高维数据进行投影得到子空间向量来进行降维。具体地,就是求样本的协方差矩阵及其特征值、特征值向量,通过选取一定阈值内的特征值及其对应的特征向量,构成投影矩阵,这个投影矩阵中的向量之间都相互正交,在尽量降低特征维数的同时也尽量减少信息损失。降维后的特征向量具有低相关性,具有样本的本质属性,也使得后续分类不易陷入过拟合。

     

    5. PCA具体步骤:

    6. 常用降维方法:PCA(无监督),LDA(有监督),LLE(非线性),ISOMAP(非线性);

    7. 常用分类方法:PCA+SVM,SRC(稀疏表征+字典),LRC;

    8. 注意1:对于非线性降维方法,在求取投影矩阵P时,只需利用训练数据即可,不需要用到测试数据,P一旦求取后可认为是固定的,直接对测试数据进行降维即可;而非线性降维方法是需要保持局部结构不变,没有显式的映射,所以需要测试数据的参与;目前将非线性方法线性化是一个趋势。

    9. 注意2: MATLAB中的eig函数求取的特征值一般是按照从小到达的顺序给出的,但是某些情况下相反,因此需要采用sort函数进行固定方向排序;

    10. 注意3:实验发现在minist数据集上采用Chi-square距离没有欧氏距离的分类效果好;

    11. PCA降维后再恢复的公式:上面Step5中式子P'求逆再与x_tilde相乘即可;

    12. SVM方法的两种实现:

         a. 采用MATLAB自带的svmtrain和svmclassify函数;

         b. 采用libSVM工具箱;

    13. MATLAB自带SVM函数和libSVM工具箱中函数的区别:

         a. libSVM工具箱使用方便,参数调节也方便;

         b. MATLAB自带的SVM只能用于二分类,且不能用于回归(regression);

         c. libSVM中有多种如c-SVM,nu-SVM模型可选,而MATLAB自带SVM只有c-SVM;

         d. libSVM可实现多分类,有1对多的方法,也有1对1的方法,还有层次法,MATLAB中采用的是1对1的方法,1对多的方法是训练样本不平衡,如果对负样本进行去掉,则没有充分利用全部数据;1对1的方法是设计(k-1)*k/2个二分类器,对每个测试样本进行输出,输出最多的那个类别就是最终的判别类。

    14. 注意:SVM实现的核心是采用SMO算法,SMO:Sequentialminimal optimization, 微软研究员提出,是一种快速的二次规划算法,针对线性和数据稀疏时性能更优;

    15. 注意: libSVM中的数据有时可能需要用libsvmread函数进行格式转换;

    16. libSVM基本用法:

         model = svmtrain(label, data, ‘option’);

         参数option选项:

                -s:表示SVM的类型,0:c-SVC, 1:nu- SVC, 2: one-class SVR; 3:epsilon-SVR, 4: nu-SVR;

                -t: 表示核函数类型,0: 线性,1:多项式,2:径向基函数,3:sigmoid, 4: precomputed的核;

               -d: 多项式的阶数;

               -c: 损失函数系数;

               -g: 核函数gamma参数,针对rbf,多项式核,sigmoid核。

         例子: model = sumtrain(label, data,’-s 0 -t 2 -c 0.5 -g 0.1’);

    18. 有关SVM核函数的选取:

        a.当特征数和样本数差不多时,可以采用线性或多项式核;

        b. 当特征数小于样本数时,一般采用高斯核;

        c.当特征数远小于样本数时,需要手动添加特征满足上面两个的要求;

    17. PCA+SVM用于MINIST数据集分类代码:

    function minist_svmcls()
    
    clc;
    % 读取minist数据集
    train_data_name = 'F:\train-images.idx3-ubyte';
    train_label_name = 'F:\train-labels.idx1-ubyte';
    test_data_name = 'F:\t10k-images.idx3-ubyte';
    test_label_name = 'F:\t10k-labels.idx1-ubyte';
    
    train_data = loadMNISTImages(train_data_name);
    train_label = loadMNISTLabels(train_label_name);
    test_data = loadMNISTImages(test_data_name);
    test_label = loadMNISTLabels(test_label_name);
    
    % 下面采用SVM进行分类,特征向量都一样,只是分类器在变化
    %训练模型,x_train每一行代表一个样本,列数等于样本特征维度,y_train为一列向量,每一个元素代表一个标签
    test_N = 500;
    trains = train_reduced_feat';
    tests = test_reduced_feat(:,1:test_N)';
    trainClassIDs = train_label;
    testClassIDs = test_label(1:test_N);
    model = svmtrain(trainClassIDs, trains,'-s 0 -t 2');
    %测试模型,x_test每一行代表一个样本,列数等于样本特征维度,y_test为一列向量,每一个元素代表一个标签
    [pred, acc, ~] = svmpredict(testClassIDs, tests, model);

     

    展开全文
  • minist数据集。用于固定尺寸大小的图片数据集,resize-script.sh。 make_dataset.rar
  • 本资源针对minist数据集的CSV文件进行神经网络的训练,由于minist数据集较大,这里数据集里面有100个训练数据,10个测试数据,此代码不使用TensorFlow和pytorch等深度框架,使用numpy进行两层全连接神经网络的设计。
  • minist数据集的获取方法

    千次阅读 2018-09-26 18:18:45
    在官网下载minist数据集,速度感人。因此特意上传了一份,供需要的朋友下载minist数据集 第一次打开这个数据集,也是一脸懵,不过还好,脱坑代码如下: import numpy as np import os # 训练集 with open('./...

    在官网下载minist数据集,速度感人。因此特意上传了一份,供需要的朋友下载:minist数据集
    第一次打开这个数据集,也是一脸懵,不过还好,脱坑代码如下:

    import numpy as np
    import os
    
    # 训练集
    with open('./minist_data/train-images.idx3-ubyte') as f:
        loaded = np.fromfile(file = f, dtype = np.uint8)
        train_data = loaded[16:].reshape((60000, 784))
    print(train_data.shape) # (60000, 784)
    
    
    with open('./minist_data/train-labels.idx1-ubyte') as f:
        loaded = np.fromfile(file = f, dtype = np.uint8)
        train_labels = loaded[8:]
    print(train_labels.shape) # (60000,)
    
    
    # 测试集
    with open('./minist_data/t10k-images.idx3-ubyte') as f:
        loaded = np.fromfile(file=f, dtype=np.uint8)
        test_data = loaded[16:].reshape((10000, 784))
    print(test_data.shape) # (10000, 784)
    
    with open('./minist_data/t10k-labels.idx1-ubyte') as f:
        loaded = np.fromfile(file=f, dtype=np.uint8)
        test_labels = loaded[8:].reshape((10000))
    print(test_labels.shape) # (10000,)
    

    可以看到,训练集有六万条样本,784个特征。测试集一万条样本。

    展开全文
  • 用caffe训练minist数据集

    千次阅读 2016-01-29 11:53:34
    用caffe训练minist数据集

    在配置完caffe运行后,会得到caffe.exe文件,为了测试我们使用example/minist中的文件来进行测试,首先需要下载转换后的数据集,地址为:http://pan.baidu.com/s/1qW2yNnQ#path=%252FCaffe,在测试数据集/minist下,文件夹下载后解压,将mnist-test-leveldb和mnist-train-leveldb拷贝到caffe的example/minist下,下载的数据的格式是leveldb,是手写字符数据集。

    1、首先将lenet_solver.prototxt里的solver_mode: GPU改成solver_mode: CPU,保存。

    2、然后将lenet_train_test.prototxt打开,然后将下图的两个source换成你自己的对应路径。

    backend:换成LEVELDB


    3、创建caffe.bat批处理文件

    里面写上,当然Caffe.exe要拷到minist文件夹下,Caffe.exe需要的dll文件也要拷贝过来,Caffe.exe可以根据你生成的caffe的exe的文件名替换。

    Caffe.exe train --solver=lenet_solver.prototxt 
    pause

    运行caffe.bat,实验结果如下:


    展开全文
  • 本科生课程作业。用MATLAB实现的双隐层BP训练MINIST手写数字数据集,没有调用算法库。
  • liblinear分类minist数据集liblinear工具准备minist提取特征值minist正确提取特征值格式liblinear特征值格式解释实现代码&解释 老师要求用liblinear跑一下minist,所以做了个尝试。实际上,liblinear对一些小...
  • minist数据集图片查看

    2021-04-09 10:51:28
    minist数据集图片查看 网上很多代码都是from tensorflow.examples.tutorials.mnist import input_data,是tensorflow早期版本的,无法运行,一堆错误,想要把tensorflow版本退回去又容易和numpy产生冲突等, 我的...
  • 使用MINIST数据集

    2018-07-30 21:39:16
    1 下载数据集并解压。 法1 从MINIST官网中下载 法2 从这个百度云链接下载 没有网络限制会比较快 http://pan.baidu.com/s/1pLcpsk7 解压后得到四个新文件 2 新建一个.py文件,起名为 input_data.py 将...
  • 使用python对Minist数据集中图片集读取,并保存成图片集合,读取label数据集并保存在label.txt文件中。
  • MNIST是在机器学习领域中的一个经典问题。该问题解决的是把28x28像素的灰度手写数字图片识别为相应的数字,其中数字的范围从0到9.本资源提供了minist数据集及matlab读取代码
  • keras对minist数据集分类

    千次阅读 2019-04-06 20:17:44
    minist数据集分类问题是机器学习入门级问题,本文简单介绍keras在github上给出的minist数据集分类源码及思路。源码如下: '''Trains a simple deep NN on the MNIST dataset. Gets to 98.40% test accuracy after ...
  • cnn实现minist数据集分类

    千次阅读 2019-04-07 20:44:49
    对于minist数据集分类,相较于普通的全连接神经网络,CNN可以得到更高的准确率于更低的loss。在涉及图片的机器学习领域,CNN是目前最佳的解决方案。 CNN对minist数据集分类的代码: import keras from keras....
  • 机器学习——minist数据集分类python实现,亲测有效。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 3,864
精华内容 1,545
关键字:

minist数据集下载