基于mnist数据集的手势识别

最新推荐文章于 2024-06-19 15:35:43 发布
最新推荐文章于 2024-06-19 15:35:43 发布
阅读量915 收藏 4
点赞数 1
分类专栏： 神经网络 文章标签： 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35659332/article/details/105385381
版权

基于mnist数据集的手势识别


参考别人的博客搭建出了基于cifar数据集的分类神经网络，接下来打算使用自己尝试搭建个手势识别的神经网络，接下来分为三个部分介绍：1. 读取数据，2. 搭建神经网络，3. 训练与评估

读取数据

通过下载网上公开的mnist数据，发现数据分为test和train部分，且保存为csv格式如下图，因此读取数据集的时候需要对其进行处理和包装，将其转化成能识别的DataSet格式。
mnist数据集图示
通过定义如下新类，来读取和转化格式定义新类

搭建神经网络

神经网络与上一个差不多由卷积–>池化–>再卷积–>再池化–>全连接层组成。与训练过程都与上篇博客一致上一篇博客

结果

下图为训练结果，可以看出，已经产生过拟合了，解决过拟合的方法可以调节weight_decay参数。或者增加正则化项。
训练结果

yawen_2016
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
tensorflow学习笔记（七）：CNN手写体(MNIST)识别
ch18328071580的博客
08-05 1608
本文简单的介绍了CNN，然后介绍了CNN中常用到的函数，然后搭建了CNN对MNIST数据集进行了预测。
手势识别数据集 包括0到5六种数字
12-31
数据集包括0~5六种数字，已标注好，共434张图片，压缩包中包括与图片对应的xml和txt文件。解密密码请发邮箱852574882@qq.com。
知识蒸馏初级实战--MNIST手写识别
qq_39710087的博客
04-02 3764
目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、pandas是什么？ 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码如下（示例）： import numpy as np import pa
目标检测应用场景—数据集【NO.7】手势识别
最新发布
qq_34773082的博客
06-19 269
话不多说直接上图：图像数据集样本图如下所示 ，分为18个类别 ，具体类别如下 ：“call”: “打电话”,“dislike”: “不喜欢”,“fist”: “拳头”,“four”: “四”,“like”: “喜欢”,“mute”: “静音”,“ok”: “好的”,“one”: “一”,“palm”: “手掌”,“peace”: “和平”,“peace_inverted”: “反的和平”,“rock”: “摇滚”,“stop”: “停止”,
手势识别数据集，数字0-9
05-05
单一背景2000张，复杂1000张
数字手势数据集（Coursera - Deep Learning）
10-04
Coursera - Deep Learning课程中用到的数字手势数据集（SIGNS），用于第二课Tensorflow Tutorial一节的编程练习。
mnist数据集
11-30
简单的训练MNIST数据集 （0-9的数字图片）数据集被分成两部分：60000 行的训练数据集（mnist.train）和10000行的测试数据集（mnist.test）。 其中：60000 行的训练集分拆为 55000 行的训练集和 5000 行的验证集。 ...
MATLAB基于卷积神经网络的手势识别.7z
01-14
dataset：文件夹为手势 0~9 的图片文件 train.csv 和 test.csv：手势 0~9 的 csv 文件 代码压缩包中三个文件： CNN.m：卷积神经网络代码 ...该资源的使用请参考本人博客：MATLAB基于卷积神经网络的手势识别
神经网络-mnist手势识别.zip
04-04
标题中的“神经网络-mnist手势识别.zip”表明这是一个关于使用神经网络进行手势识别的项目，其中可能包含了训练数据集、模型代码以及相关的说明文档。MNIST是一个广泛使用的数据集，通常用于手写数字识别，但这里它...
Unity手写数字识别，录入 基于Gesture Recognize手势识别.zip
04-04
在手写数字识别中，可能使用了监督学习，通过大量的标注数据（如MNIST数据集）训练模型，使模型能够从新输入的手写数字图像中学习并做出准确的分类。 5. **Unity引擎**： Unity是一款跨平台的游戏开发引擎，也广泛...
sign-mnist(手语mnist).zip
01-12
2. 该数据集介绍了手语 MNIST，并遵循相同的 CSV 格式，在单行中带有标签和像素值。美国手语字母手势数据库代表了一个多类问题，有 24 类字母（不包括需要动作的 J 和 Z）。 3. 数据集格式的模式化与经典 MNIST 紧密...
单笔手写识别手势识别
08-09
单笔手写识别、手势识别
手势识别图像数据，三种手势每种100张图片
08-13
人手做出的“剪刀石头布”三种手势，每种手势都有100张图片，图片的大小为58*58，是经过后期处理的图片，内含有所有图片路径的txt文件。
1-5数字手势识别.zip
04-07
内容参考了别人的代码，数字手势识别，可以识别1-5的数字，可以继续增加数据进行训练，收敛曲线较好。包括训练代码、测试代码、数据集
Signed-MNIST-reognition：用于识别手语MNIST数据集中字母的卷积神经网络模型
02-15
MNIST签名 我开发了一种卷积神经网络模型，用于识别字母，该模型由24个美国手语（ASL）字母组成（不包括需要运动的字母）。 该CNN使用4个卷积层，4个池化层和2个完全连接的层来将ASL中的输入图像准确分类为相关字母。 该模型在25个时期内可达到99.986％的精度，在15个时期内可实现始终如一的精确度> 99％，且运行时间少于10分钟。 该模型是在Kaggle中构建的，可轻松导入和操作数据集，原始脚本以及执行输出可在 查看。 在此项目中实施的图书馆： 凯拉斯 TensorFlow 脾气暴躁的 大熊猫
YOLOV5手势识别数据集+代码+模型 2000张标注好的数据+教学视频
03-05
1.目标检测格式数据集，标签为yolo的txt格式 2.手势识别数据集，支持[ 'A', 'number 7', 'D', 'I', 'L', 'V', 'W', 'Y', 'I love you', 'number 5' ]10种手势的识别 3. 提供3组训练好的YOLOV5模型 4.代码中包含图形化界面 5.提供B站视频教程：https://www.bilibili.com/video/BV1YL4y1J7xz/
TensFlow深度学习(RNN)实现MNIST手写图片识别
lingzw2011的博客
01-09 1895
DNN https://blog.csdn.net/lingzw2011/article/details/82225399 CNN https://blog.csdn.net/lingzw2011/article/details/85229561 RNN RNN（循环神经网路）是一种特殊的神经网络结构，它是根据“人的认知是基于过往的经验和记忆”这一观点提出的；它与DNN、CNN不同的是：它不仅考虑...
MNIST 手写数字图像集 python实现图像识别
多头注意力探索Now
11-01 247
MNIST 手写数字图像集，机器学习领域最有名的数据集之一，由0-9的数字图像构成
计算机视觉学习13：CNN实现MNIST手写数字识别
Charon的博客
06-03 902
卷积神经网络(CNN)原理 一、概述 卷积神经网络（Convolutional Neural Networks / CNNs / ConvNets）与普通神经网络非常相似，它们都由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分类的分数，普通神经网络里的一些计算技巧到这里依旧适用。 卷积神经网络默认输入是图像，可以让我们把特定的性质编...
基于深度学习的手势识别完整代码
04-22
基于深度学习的手势识别是一个广泛研究的领域，涉及到的技术和方法有很多。下面是一个简单的基于卷积神经网络（CNN）的手势识别代码示例： ```python import tensorflow as tf from tensorflow.keras import layers # 构建卷积神经网络模型 model = tf.keras.Sequential([ layers.Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)), layers.MaxPooling2D((2, 2)), layers.Conv2D(64, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), layers.Conv2D(128, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), layers.Flatten(), layers.Dense(128, activation='relu'), layers.Dense(10, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) # 加载数据集并进行预处理 (train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data() train_images = train_images.reshape(-1, 28, 28, 1).astype('float32') / 255.0 test_images = test_images.reshape(-1, 28, 28, 1).astype('float32') / 255.0 # 训练模型 model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels)) # 保存模型 model.save('gesture_recognition_model.h5') ``` 这段代码使用了TensorFlow和Keras库来构建和训练一个简单的手势识别模型。模型使用了卷积神经网络（CNN）的结构，包括多个卷积层、池化层和全连接层。训练数据集使用了MNIST手写数字数据集，通过对图像进行预处理和归一化后进行训练。最后，模型会保存为一个.h5文件。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值