- 综合排序
- 最热优先
- 最新优先
- 来自专栏图像处理与模式识别研究所
手写体数字识别
11.451450348 Accuracy= 0.9588 Train Finished takes: 76.92 Starting another session for prediction 算法：手写体数字识别使用的框架是由多个隐藏层组成的神经网络
1.9K20编辑于 2022-05-29 - 来自专栏数据科学CLUB
用Tensorflow识别手写体
数据准备 import tensorflow as tfimport tensorflow.examples.tutorials.mnist.input_data as input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=True) WARNING:tensorflow:From <ipython-input-1-6bfbaa60ed82>:3: read_data_sets (from tensorflow.contrib.
4.6K30发布于 2020-06-12 - 来自专栏Fdu弟中弟
tensorflow实现手写体数字识别
调用tensorflow实现手写体数字识别。 在此感谢 代码原址：https://github.com/cj0012/AI-Practice-Tensorflow-Notes 之前在人工智能课上自己手动搭建过一个BP神经网络实现MNIST数据集的手写体数字识别
1.5K20发布于 2021-02-24 - 来自专栏TEL18600524535
中文手写体识别技术：从像素到文字的智能解码
中文手写体识别技术正扮演着这一重要角色，它不仅是人工智能领域的重大挑战，更是连接人与数字世界的智慧纽带。 技术核心：从像素到文字的智能解码中文手写体识别是一个复杂而精密的系统工程，融合了模式识别、图像处理与深度学习等多学科技术：图像预处理：二值化：将灰度/彩色图像转化为黑白两色，突出文字轮廓。 功能特点：打造流畅自然的交互体验中科逸视中文手写体识别系统具备以下核心能力：高精度识别：在约束书写条件下，对工整手写体的识别率可达98%以上；对自由书写具备相当鲁棒性。 应用场景：赋能千行百业的数字化转型中文手写体识别技术已深度融入日常生活与产业运作：教育领域：智能批改：自动识别批阅学生手写作业、试卷（尤其是客观题）。 考古与文献研究：辅助识别古籍、碑文、出土文献中的手写文字。中文手写体识别技术，是人工智能在感知与认知领域的一项重大成就。
69010编辑于 2025-08-05 - 来自专栏AI异构
caffe详解之mnist手写体识别
caffe(https://github.com/BVLC/caffe/tree/master/examples/mnist)
1.9K40发布于 2020-07-29 - 来自专栏cloudskyme
小白也能懂的手写体识别
手写体识别与Tensorflow 如同所有语言的hello world一样，手写体识别就相当于深度学习里的hello world。 思路 把图片当成一枚枚像素来看，下图为手写体数字1的图片，它在计算机中的存储其实是一个二维矩阵，每个元素都是0~1之间的数字，0代表白色，1代表黑色，小数代表某种程度的灰色。 ? 总结 上面的例子使用的是TensorFlow提供的数据集，我们可以自己手写一个数字，然后通过opencv对数字进行剪裁，然后输入模型看识别的结果。
2.1K60发布于 2018-03-19 - 来自专栏全栈程序员必看
tensorflow2.0手写数字识别(tensorflow手写体识别)
本节笔记作为 Tensorflow 的 Hello World，用 MNIST 手写数字识别来探索 Tensorflow。 笔记的内容来自 Tensorflow 中文社区和黄文坚的《Tensorflow 实战》，只作为自己复习总结。 环境： Windows 10 Anaconda 4.3.0 Spyder 本节笔记主要采用 Softmax Regression 算法，构建一个没有隐层的神经网络来实现 MNIST 手写数字识别。
1.9K40编辑于 2022-08-01 - 来自专栏深度学习|机器学习|歌声合成|语音合成
java落地AI模型-cnn手写体识别
cnn手写体识别 1. 基本介绍 手写体识别，是指对图像进行识别，判断图像中的内容是否为手写文字。 本项目是一手写数字识别为主，采用的模型是cnn。 识别准确率为，98% 模型转化：将pytorch的模型转化为onnx格式，方便在安卓端使用。 以java的代码推理模型，在安卓端或者其他环境中实现手写数字识别。 model2onnx │ ├── model │ ├── model2onnx.py │ └── test_onnx_model.py └── 第3集: java落地AI项目案例:cnn手写字体识别
82210编辑于 2024-10-01 - 来自专栏数据科学CLUB
用多层感知机识别手写体(Keras)
独热编码即 One-Hot-coding，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候，其中只有一位有效。例如对六个状态进行编码：自然顺序码为 000,001,010,011,100,101独热编码则是 000001,000010,000100,001000,010000,100000
3K20发布于 2020-06-11 - 来自专栏IT派
实战｜TensorFlow 实践之手写体数字识别!
本文的主要目的是教会大家运用google开源的深度学习框架tensorflow来实现手写体数字识别，给出两种模型，一种是利用机器学习中的softmax regression作分类器，另一种将是搭建一个深度神经网络以达到 99%正确率的手写体数字识别模型。 下载后的数据集分为训练集、验证集、测试集(也就是train_data,validation_data,test_dasta，记住，这样的划分很重要，它可以检验我们得到的模型在真实场景下的识别能力)。 可见深度神经网络，在手写体识别项目上表现地相比于softmax regression，效果会好的多的多。 我们学习了在tensorflow中实现softmax regression、一种深度神经网络的过程；简单了解了tensorflow的运行机制和内部参数、函数机构，相信看完大家可以手动设计一个神经网络将识别率继续提高
1.5K00发布于 2018-07-30 - 来自专栏机器之心
专栏 | 在PaddlePaddle上实现MNIST手写体数字识别
在框架解析和安装教程的介绍之后，本次专栏将教你如何在 PaddlePaddle 上实现 MNIST 手写数字识别。 该数据集非常小, 很适合图像识别的入门使用, 该数据集一共有 4 个文件, 分别是训练数据和其对应的标签, 测试数据和其对应的标签. 文件如表所示: ? 定义神经网络 我们这次使用的是卷积神经网络 LeNet-5，官方一共提供了 3 个分类器，分别是 Softmax 回归，多层感知器，卷积神经网络 LeNet-5，在图像识别问题上，一直是使用卷积神经网络较多
1.4K50发布于 2018-05-08 - 来自专栏贾志刚-OpenCV学堂
基于OpenCV实现手写体数字训练与识别
OpenCV实现手写体数字训练与识别 机器学习(ML)是OpenCV模块之一，对于常见的数字识别与英文字母识别都可以做到很高的识别率，完成这类应用的主要思想与方法是首选对训练图像数据完成预处理与特征提取 一：数据集 这里使用的数据集是mnist 手写体数字数据集、关于数据集的具体说明如下： 数据集名称 说明 train-images-idx3-ubyte.gz 训练图像28x28大小，6万张 train-labels-idx1 32SC1); return labels; } 二：训练与测试 对上述数据集，我们不使用提取特征方式，而是采用纯像素数据作为输入，分别使用KNN与SVM对数据集进行训练与测试，比较他们最终的识别率 三：应用 训练好的数据保存在本地，初始化加载，使用对象的识别方法就可以预测分类、进行对象识别。当然这么做，还需要对输入的手写数字图像进行二值化、分割、调整等预处理之后才可以传入进行预测。 以下是两个测试图像识别结果： 演示一截屏： ? 演示二截屏： ?
2.9K60发布于 2018-04-04 - 来自专栏个人博客
ggml教程|mnist手写体识别量化推理 - plus studio
ggml教程|mnist手写体识别量化推理 MNIST手写体识别是经典的机器学习问题，可以被称作机器学习的hello world了，我希望通过mnist来作为系列教程的第一节，来介绍如何使用ggml量化
1.1K10编辑于 2024-02-29 - 来自专栏机器学习算法与Python学习
TensorFlow实战：SoftMax手写体MNIST识别（Python完整源码）
今天这篇文章我们使用TensorFlow针对于手写体识别数据集MNIST搭建一个softmax的多分类模型。
2.9K60发布于 2018-04-08 - 来自专栏人工智能头条
机器学习|卷积神经网络(CNN) 手写体识别 (MNIST)入门
所以文档后面介绍的都是关于监督学习，因为手写体识别需要有一些训练集告诉我这些图像实际上应该是什么数字，不过监督学习的方法也有很多，主要有分类和回归两大类： ? 分类 (Classification): 例如手写体识别，这类问题的特点在于最后的结果是离散的，最后分类的数字只能是 0, 1, 2, 3 而不会是 1.414, 1.732 这样的小数。 回归 (Regression): 例如经典的房价预测，这类问题得到的结果是连续的，例如房价是会连续变化的，有无限多种可能，不像手写体识别那样只有 0-9 这 10 种类别。 这样看来，接下来介绍的手写体识别是一个分类问题。但是做分类算法也非常多，这篇文章要介绍的是应用非常多也相对成熟的神经网络 (Neural Network)。 ? 循环神经网络 (Recurrent Neural Network):比较适用于像声音这样的序列，因此在语言识别领域应用比较多。
1.5K20发布于 2019-10-14 - 来自专栏Datawhale专栏
手写体 OCR 识别
Datawhale干货 作者：王浩，结行科技算法工程师 参加了“世界人工智能创新大赛”——手写体 OCR 识别竞赛（任务一），取得了Top1的成绩。 但OCR技术在实际应用中也存在一些问题，在各类凭证字段的识别中，手写体由于其字体差异性大、字数不固定、语义关联性较低、凭证背景干扰等原因，导致OCR识别率准确率不高，需要大量人工校正，对日常的银行录入业务造成了一定的影响 赛题地址：http://ailab.aiwin.org.cn/competitions/65 赛题任务 本次赛题将提供手写体图像切片数据集，数据集从真实业务场景中，经过切片脱敏得到，参赛队伍通过识别技术 即： 输入：手写体图像切片数据集 输出：对应的识别结果 本任务提供开放可下载的训练集及测试集，允许线下建模或线上提供 Notebook 环境及 Terminal 容器环境（脱网）建模，输出识别结果完成赛题 数据规模和内容覆盖 B.数据示例 原始手写体图像共分为三类，分别涉及银行名称、年月日、金额三大类，分别示意如下： 相应图片切片中可能混杂有一定量的干扰信息，分别示例如下： 识别结果 JSON 在训练集中的格式如下
2K30编辑于 2022-03-01 - 来自专栏AI科技时讯
入门项目数字手写体识别：使用Keras完成CNN模型搭建
在面部识别、自动驾驶、物体检测等领域，CNN被广泛使用，并都取得了最优性能。 对于绝大多数深度学习新手而言，数字手写体识别任务可能是第一个上手的项目，网络上也充斥着各种各样的成熟工具箱的相关代码，新手在利用相关工具箱跑一遍程序后就能立刻得到很好的结果，这时候获得的感受只有一个—— 本文将利用Keras和TensorFlow设计一个简单的二维卷积神经网络（CNN）模型，手把手教你用代码完成MNIST数字识别任务，便于理解深度学习的整个流程。 ? 准备数据 模型使用的MNIST数据集，该数据集是目前最大的数字手写体数据集（0~9），总共包含60,000张训练图像和10,000张测试图像，每张图像的大小为28x28，灰度图。 从图中可以看到，左上角是存储在训练集X_train[0]的手写体图像‘5’，y_train[0]表示对应的标签‘5’。
1.1K10发布于 2019-08-16 - 来自专栏素质云笔记
R︱Softmax Regression建模 (MNIST 手写体识别和文档多分类应用)
可以支持大部分的多分类问题，其中的两个示例：MNIST手写体识别和多文档分类(Multi-Class DocumentClassification) 的文档如下 二、示例文档 2.1 MNIST手写体识别数据集 MNIST手写体识别的数据集是图像识别领域一个基本数据集，很多模型诸如CNN卷积神经网络等模型都经常在这个数据集上测试都能够达到97%以上的准确率。 Part1、下载和Load数据 MNIST手写体识别的数据集可以直接从网站下载http://yann.lecun.com/exdb/mnist/，一共四个文件，分别下载下来并解压。 利用softmaxreg 包训练一个10分类的MNIST手写体识别的模型，用load_image_file 和load_label_file 来分别读取训练集的图像数据和标签的数据 (Reference
1.4K20发布于 2019-05-28 - 来自专栏python3
Python不能识别中文问题
若python文件中出现中文字符，运行时会出现如下错误 SyntaxError: Non-ASCII character '\xd5' in file sort.py on line 2, but /usr/bin/python #coding:utf-8 即可输出中文
3.4K20发布于 2020-01-10 - 来自专栏计算机视觉战队
中文车牌识别系统
感谢Liuruoze的EasyPR开源车牌识别系统。 EasyPR是一个中文的开源车牌识别系统，其目标是成为一个简单、灵活、准确的车牌识别引擎。 它能够识别中文，例如车牌为苏EUK722的图片，它可以准确地输出std:string类型的"苏EUK722"的结果。 它的识别率较高。目前情况下，字符识别已经可以达到90%以上的精度。 目录结构 以下表格是本工程中所有目录的解释: 目录 解释 src 所有源文件 include 所有头文件 test 测试程序 model 机器学习的模型 resources/text 中文字符映射表 resources ，是字符分割与字符鉴别功能的组合 plate_recognize 车牌识别，是车牌检测与字符识别的共有子类 feature 特征提取回调函数 plate 车牌抽象 core_func.h 共有的一些函数 train目录下文件的解释: 文件 解释 ann_train.cpp 训练二值化字符 annCh_train.hpp 训练中文灰度字符 svm_train.hpp 训练车牌判断 create_data.hpp
11.9K91发布于 2018-04-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号