基于tensorflow的全连接神经网络的手写数字识别

最新推荐文章于 2024-02-08 00:09:56 发布

gokingd

最新推荐文章于 2024-02-08 00:09:56 发布

阅读量343

点赞数

分类专栏：机器学习文章标签： tensorflow

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_43290092/article/details/89885791

版权

机器学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

简单说说要注意的地方吧

全连接神经网络包括前向传播和反向传播的过程
所以本文章的程序中神经网络部分分为前向和反向两个部分

反向传播过程使用mnist数据集进行训练。
关于mnist数据集不知道的可以百度

但是问题出现了
在代码中的input_data.read_data_sets 函数不是python内置函数，在高版本的tensorflow中已经被弃用了，所以运行的时候会报错。

解决方法有三个，一个是安装低版本tensorflow，一个是手动下载mnist数据集

（我在ubuntu中运行代码时比较顺畅，pip安装了一个低版本的tensorflow就开始跑了。但是当我想在windows下使用时，在安装tensorflow的时候遇到了很多的困难。。。。。。。

在高版本中的tensorflow中也是可以使用input_data.read_data_sets，不过你要找到python中的mnist.py文件，把默认地址替换为镜像地址就行了

然后要在同一目录下创建一个model文件夹用来存储checkpiont文件，在使用神经网络识别的时候就会读取相应的训练好的网络。

代码和一些配置说明我都上传了，欢迎下载。。。。。。

有错误的地方欢迎指出，新手还有很多不懂。。。。

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
基于tensorflow的全连接神经网络的手写数字识别

简单说说要注意的地方吧全连接神经网络包括前向传播和反向传播的过程所以本文章的程序中神经网络部分分为前向和反向两个部分反向传播过程使用mnist数据集进行训练。关于mnist数据集不知道的可以百度但是问题出现了在代码中的input_data.read_data_sets 函数不是python内置函数，在高版本的tensorflow中已经被弃用了，所以运行的时候会报错。解决方法有三个，一...
复制链接

扫一扫

专栏目录

gokingd CSDN认证博客专家 CSDN认证企业博客

码龄6年

60: 原创

30万+: 周排名

195万+: 总排名

4万+: 访问

: 等级

965: 积分

55: 粉丝

63: 获赞

14: 评论

122: 收藏

私信

关注

热门文章

分类专栏

动手学深度学习 5篇
其他 2篇
linux 2篇
C++源码系列 2篇
java学习 3篇
mark 3篇
算法 19篇
总结 2篇
机器学习 3篇
python 11篇

最新评论

对鸡你太美的字符画绘制
2201_76046381: from PIL import Image ascii_char = list(r"$@&%B#=-. ") def get_char(r,b,g,alpha=256): gray=int(0.2126*r+0.7152*g+0.0722*b) unit=256/len(ascii_char) return ascii_char[int(gray//unit)] def main(): im=Image.open('cxk.jpg') w,h=50,30 im=im.resize((w,h)) txt='' for i in range(h): for j in range(w): txt+=get_char(*im.getpixel((j,i))) txt+='\n' fo = open("test.txt",'w') fo.write(txt) fo.close() print("ok") if __name__=='__main__': main() from PIL import Image ascii_char = list(r"$@&%B#=-. ") def get_char(r,b,g,alpha=256): gray=int(0.2126*r+0.7152*g+0.0722*b) unit=256/len(ascii_char) return ascii_char[int(gray//unit)] def main(): im=Image.open('cxk.jpg') w,h=50,30 im=im.resize((w,h)) txt='' for i in range(h): for j in range(w): txt+=get_char(*im.getpixel((j,i))) txt+='\n' fo = open("test.txt",'w') fo.write(txt) fo.close() pri
对鸡你太美的字符画绘制
2201_76046381: from PIL import Image ascii_char = list(r"$@&%B#=-. ") def get_char(r,b,g,alpha=256): gray=int(0.2126*r+0.7152*g+0.0722*b) unit=256/len(ascii_char) return ascii_char[int(gray//unit)] def main(): im=Image.open('cxk.jpg') w,h=50,30 im=im.resize((w,h)) txt='' for i in range(h): for j in range(w): txt+=get_char(*im.getpixel((j,i))) txt+='\n' fo = open("test.txt",'w') fo.write(txt) fo.close() print("ok") if __name__=='__main__': main() from PIL import Image ascii_char = list(r"$@&%B#=-. ") def get_char(r,b,g,alpha=256): gray=int(0.2126*r+0.7152*g+0.0722*b) unit=256/len(ascii_char) return ascii_char[int(gray//unit)] def main(): im=Image.open('cxk.jpg') w,h=50,30 im=im.resize((w,h)) txt='' for i in range(h): for j in range(w): txt+=get_char(*im.getpixel((j,i))) txt+='\n' fo = open("test.txt",'w') fo.write(txt) fo.close() pri
对鸡你太美的字符画绘制
2201_75616446: from PIL import Image ascii_char = list(r"$@&%B#=-. ") def get_char(r,b,g,alpha=256): gray=int(0.2126*r+0.7152*g+0.0722*b) unit=256/len(ascii_char) return ascii_char[int(gray//unit)] def main(): im=Image.open('cxk.jpg') w,h=50,30 im=im.resize((w,h)) txt='' for i in range(h): for j in range(w): txt+=get_char(*im.getpixel((j,i))) txt+='\n' fo = open("test.txt",'w') fo.write(txt) fo.close() print("ok") if __name__=='__main__': main() from PIL import Image ascii_char = list(r"$@&%B#=-. ") def get_char(r,b,g,alpha=256): gray=int(0.2126*r+0.7152*g+0.0722*b) unit=256/len(ascii_char) return ascii_char[int(gray//unit)] def main(): im=Image.open('cxk.jpg') w,h=50,30 im=im.resize((w,h)) txt='' for i in range(h): for j in range(w): txt+=get_char(*im.getpixel((j,i))) txt+='\n' fo = open("test.txt",'w') fo.write(txt) fo.close() pri
对鸡你太美的字符画绘制
Молчаливый: 树枝666
基于FFT的大整数乘法
IsaacQuebec: 大佬你的文章都好好看, 求不断更

最新文章

目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。