标签：50000 SVM Darkness NN 手写 识别 data 图片
DL之NN/Average_Darkness/SVM：手写数字图片识别(本地数据集50000训练集+数据集加4倍)比较3种算法Average_Darkness、SVM、NN各自的准确率
目录
数据集下载以及展示
在上图中右侧显示了一张数字1的图片，而右侧显示了这个图片所对应的像素矩阵,MNIST数据集提供了4个下载文件。
对手写数据集50000张图片实现阿拉伯数字0~9识别，并且对结果进行分析准确率。从这个页面获得的手写数字的MNIST数据库具有60000个示例，包括50000张图片训练集和10000张图片测试集。它是从NIST获得的更大集合的子集。数字已被规格化，并以固定大小的图像为中心。
手写数字识别也是比较常见的例子了，这个数据集包含有60000张用于训练的手写数字的图片，10000张用于测试的图片，所有图片的尺寸都已经被标准化了，并且，尺寸为2828．每个像素值0~1区间内的值，其中0代表白色，1代表黑色，区间内的值表示灰色。为了简化，每张图片已经被转换成一个 1728的一维数组，表示784个特征（28'28)。
手写数字数据集下载：http://yann.lecun.com/exdb/mnist/
代码实现
#查看手写数字图片数据集的大小等参数
import mnist_loader
import network
training_data, validation_data, test_data = mnist_loader.load_data_wrapper() #调用mnist_loader文件的load_data_wrapper函数，加载data/mnist.pkl.gz数据集
print("training_data")
print(type(training_data))
print(list(training_data)) #list
print(len(training_data)) #长度
print(training_data[0][0].shape) #x的维度784
print(training_data[0][1].shape) #y的维度10
设计思路及代码
1、图片灰度平均值识别分类
首先，利用图片本身的属性，图片的灰度平均值进行识别分类，我运行出来的准确率是22%左右
利用图片的灰度平均值来进行分类实现手写图片识别(数据集50000张图片)——Jason niu
2、SVM算法
其次，利用SVM算法，我运行出来的准确率是93%左右，具体代码请点击
SVM：利用SVM算法实现手写图片识别(数据集50000张图片)—Jason niu
3、神经网络
最后，利用深度学习之神经网络，我运行出来的准确率是94%左右，具体代码请点击
NN：利用深度学习之神经网络实现手写数字识别(数据集50000张图片)—Jason niu
1、神经网络进行手写数字图片识别原理
损失函数
4、总结
最后，我们发现神经网络和SVM的算法学习质量非常高，而传统的灰度平均值算法则差强人意！
相关文章
DL之NN：利用调用自定义神经网络network.py文件(调用mnist_loader.py文件的load_data_wrapper函数,加载mnist.pkl.gz数据集)实现手写图片识别，准确率94%
Average_Darkness/SVM：手写数字识别(数据集50000张图片训练集)比较Average_Darkness、SVM各自的准确率
标签：50000,SVM,Darkness,NN,手写,识别,data,图片 来源： https://blog.51cto.com/u_14217737/2906473
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。