开始写点什么喽~

其实一直都有写博客的时间和内容,也有相应的想法与打算。但是直到现在大一结束,才终于决定写自己的博客>_<。原因一方面是因为自己作为现在HDU-ACM集训队的副队长,却常常并没有对其他同学的学习和提高起到自己的帮助和指导,心存愧疚,决心写一点什么分享给大家。另外一方面,本地写题解毕竟没有博客这么好的功能支持,比如——

粗体
斜体
删除线

六阶标题

五阶标题

四阶标题

三阶标题
二阶标题
一阶标题
  • 条目1
  • 条目2
  • 条目3

引用

嵌套引用


(↑分界线↓)


Ctrl+K 代码块
#include main
{
    int x,y,z;
    while(1);
    return 0;
}

Ctrl+L 超链接
[CSDN Markdown]简明教程

Ctrl+G 图片
向日葵


(↑分界线↓)


还有LaTeX代码——

希腊字母LaTeX代码
α $\alpha$
η $\beta$
γ $\gamma$
θ $\theta$
π $\pi$
δ $\delta$
λ $\lambda$
μ $\mu$
υ $\upsilon$
ω $\omega$



还有——
LaTeX公式
对应着——
x233
x31
x3
limx
12
Ni=1
Ni=1
ba


颜色代码
CSDN-markdown编辑器语法——字体、字号与颜色


color=red
color=pink
color=Orchid
color=Tomato
color=Crimson
color=Magenta
color=BlueViolet
color=purple

color=green
color=Chartreuse
color=GreenYellow
color=YellowGreen
color=Olive

color=yellow
color=Gold
color=orange

color=blue
color=Navy
color=aqua

color=gray
color=brown
color=burlyWood
color=chocolate
color=black

背景色

size=1

size=2

size=3

size=4

size=5

size=6

size=7



哎呀,确实蛮好用了啦。
总之,snowy_smile的博客就此开始更新啦~希望大家多多关注啦~

手写数字识别是深度学习中的一个常见任务。在这个任务中,我们使用深度神经网络(DNN)或LeNet模型来对手写数字进行识别。我们使用经典的手写数字识别数据集MNIST,该数据集包含60000个训练样本和10000个测试样本。每个样本都是一个28x28像素的图像,对应着0到9这10个数字的标签。\[2\] 在实验中,我们首先需要准备工作,包括设备和库的版本。例如,我们可以使用GTX1650显卡,tensorflow-gpu版本为2.4.0,keras版本为2.4.3,Python版本为3.7.3。然后,我们下载MNIST数据集作为我们的训练和测试数据。\[1\] 接下来,我们可以构建DNN模型或LeNet模型来进行手写数字识别实验。我们可以使用训练集对模型进行训练,并使用验证集进行模型的验证和调优。最后,我们可以使用测试集对模型进行评估。\[2\] 在实验过程中,我们可以打印出传入网络的图像尺寸,以确保数据集被正确传入网络。\[3\] 总结来说,手写数字识别是一个使用深度学习模型对手写数字进行自动识别的任务,我们可以使用DNN模型或LeNet模型,并使用MNIST数据集进行训练和测试。 #### 引用[.reference_title] - *1* *3* [【深度学习实战—1】:基于Keras的手写数字识别(非常详细、代码开源)](https://blog.csdn.net/qq_42856191/article/details/121420268)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [深度学习(手写数字识别)](https://blog.csdn.net/weixin_65089713/article/details/123869254)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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