目录基础理论一、训练CNN卷积神经网络1、载入数据2、改变数据维度3、归一化4、独热编码5、搭建CNN卷积神经网络5-1、第一层：第一个卷积层5-2、第二层：第二个卷积层5-3、扁平化5-4、第三层：第一个全连接层5-5、第四层：第二个全连接层（输出层）6、编译7、训练8、保存模型代码二、识别自己的手写数字（图像）1、载入数据2、载入训练好的模型3、载入自己写的数字图片并设置大小4、转灰度图5、转

一、概念与定义BP神经网络：是一种按照误差逆向传播算法训练的多层前馈神经网络。BP 算法的基本思想：学习过程由信号的正向传播和误差的反向传播两个过程组成。正向传播：把样本的特征从输入层进行输入，信号经过各个隐藏层逐层处理后，最后从输出层传出。反向传播：对于网络的实际输出与期望输出之间的误差，把误差信号从最后一层逐层反传，从而获得各个层的误差学习信号，再根据误差学习信号来修正各个层神经元的权值。周而

目录一、K-means1、概念2、过程3、API（K-means）二、K-means性能评估1、轮廓系数2、API（轮廓系数）一、K-means1、概念无监督学习：没有目标值（没有标签）。（聚类一般在分类之前，没有目标值的时候使用聚类）采用迭代式的算法，直观易懂且实用。缺点：容易受到局部最优解（避免：多次聚类，取多次聚类中心）。最优解：k个中心点挤在一起。例：对这些人物的分类，没有目标值，就是无监

目录基础理论一、生成验证码数据集1、生成验证码训练集1-0、判断文件夹是否为空1-1、创建字符集（数字、大小写英文字母）1-2、随机生成验证码（1000个，长度为4）2、生成验证码测试集代码二、获取数据（训练集、测试集）1、获取数据和标签1-1、获取训练集数据和标签（路径和标签）1-2、获取测试集数据和标签（路径和标签）1-3、数据组合（图像路径和标签）2、打乱数据3、处理每条数据4、自定义重复周

目录一、拟合线性函数1、生成随机坐标2、神经网络拟合代码二、拟合非线性函数1、生成二次随机点2、神经网络拟合代码一、拟合线性函数学习率0.03，训练1000次：学习率0.05，训练1000次：学习率0.1，训练1000次：可以发现，学习率为0.05时的训练效果是最好的。1、生成随机坐标1、生成x坐标2、生成随机干扰3、计算得到y坐标4、画点# 生成随机点def Produce_Random_D..

目录成果展示基础理论一、数据准备1、载入数据集2、数据处理2-1、归一化2-2、独热编码二、神经网络拟合1、搭建神经网络2、设置优化器、损失函数3、训练三、预测1、备份图像数据集2、预测分类3、显示结果(plt)总代码成果展示训练1次：训练30次：基础理论本次手写数字识别，采用的是MNIST数据集。http://yann.lecun.com/exdb/mnist/这里输出层用到了softma...

图像被划分成3个图像：图像在多次卷积压缩后，小物体容易消失，所以我们分别用52*52、26*26、13*13的网格检测小物体、中物体、大物体。（猫是大物体，所以用13*13的网格检测）import cv2import numpy as np# 读取文件def ReadFile():global name_listname_list = []# 1、读取文件with open('coco.names

在使用conda创建新环境时，出现Collecting package metadata (current_repodata.json): failed的问题，尝试了很多方法都没有解决，最后无意中通过大佬的博客解决了。大佬博客链接：https://www.jianshu.com/p/b1e4f33f975a。首先找到C:/User/Mars>下的.condarc文件，使用记事本打开。然后将一下内容

目录一、基础理论二、实战1、对x方向微分2、对y方向微分3、线性混合总代码参考资料一、基础理论Sobel算子：用于边缘检测的离散微分算子。梯度公式：对于图像而言，它是离散的，所以h的最小值只能是1了，那么这意味着，图像中某个像素位置的梯度（以x方向为例）等于它左右两个像素点的像素之差除以2。例：假设有一行像素是这样分布的：123 155 173那么，像素值为155的像素位置x方向的梯度为（173

目录一、获取数据集二、设定数据集大小、归一化三、构建卷积神经网络四、编译&&运行五、模型评估通过卷积操作缩小了图像的内容，将模型注意力集中在图像特定的、明显的特征上。这种计算对于计算机视觉来说是非常理想的，因为通常情况下，能够像这样被突出显示的特征才是区分一个物品和另一个物品的关键。一、获取数据集# 1、获取数据集mnist = tf.keras.datasets.fashion_