- 博客(1)
- 资源 (10)
- 收藏
- 关注
ios平台app测试用例模板
很实用的ios平台下的app测试用例模板。除了知道测试用例到底怎么写,也能能看出,测试分为install\unstall\search\interface\control等各个部分额,长达90多条。不只是随便写几条的简单示例
2018-08-09
LeNet-master
这是Lenet源代码实现,利用python实现的,可以阅读,运行,也可以自行移植到tensorflow去运行。可以很好的理解该算法的具体原理,比较有用处
2018-08-09
LeNet-5神经网络——C源代码
LeNet-5神经网络 C源代码,这个写的比较好,可以用gcc编译去跑,结合理论可以对深度学习有更深刻的了解
介绍
根据YANN LECUN的论文《Gradient-based Learning Applied To Document Recognition》设计的LeNet-5神经网络,C语言写成,不依赖任何第三方库。 MNIST手写字符集初代训练识别率97%,多代训练识别率98%。
DEMO
main.c文件为MNIST数据集的识别DEMO,直接编译即可运行,训练集60000张,测试集10000张。
项目环境
该项目为VISUAL STUDIO 2015项目,用VISUAL STUDIO 2015 UPDATE1及以上直接打开即可编译。采用ANSI C编写,因此源码无须修改即可在其它平台上编译。 如果因缺少openmp无法编译,请将lenet.c中的#include和#pragma omp parallel for删除掉即可。
API
#####批量训练 lenet: LeNet5的权值的指针,LeNet5神经网络的核心
inputs: 要训练的多个图片对应unsigned char二维数组的数组,指向的二维数组的batchSize倍大小内存空间指针。在MNIST测试DEMO中二维数组为28x28,每个二维数组数值分别为对应位置图像像素灰度值
resMat:结果向量矩阵
labels:要训练的多个图片分别对应的标签数组。大小为batchSize
batchSize:批量训练输入图像(二维数组)的数量
void TrainBatch(LeNet5 *lenet, image *inputs, const char(*resMat)[OUTPUT],uint8 *labels, int batchSize);
#####单个训练 lenet: LeNet5的权值的指针,LeNet5神经网络的核心
input: 要训练的图片对应二维数组
resMat:结果向量矩阵
label: 要训练的图片对应的标签
void Train(LeNet5 *lenet, image input, const char(*resMat)[OUTPUT],uint8 label);
#####预测 lenet: LeNet5的权值的指针,LeNet5神经网络的核心
input: 输入的图像的数据
labels: 结果向量矩阵指针
count: 结果向量个数
return 返回值为预测的结果
int Predict(LeNet5 *lenet, image input, const char(*labels)[LAYER6], int count);
#####初始化 lenet: LeNet5的权值的指针,LeNet5神经网络的核心
2018-08-09
RedisDesktopManager源码安装资源
使用于linux系统桌面安装,不论你是做开发还是做测试,很方便直观的可以观察到redis的键值目录结构,并做一些相应操作,可免去手动输入redis命令的麻烦,节省时间提高效率
2018-08-09
robotfraework源码
可下载安装,自己学习,代码包里已经有了目录非类。
Robot Framework is operating system and application independent. The core framework is implemented using Python, supports both Python 2 and Python 3, and runs also on Jython (JVM), IronPython (.NET) and PyPy. The framework has a rich ecosystem around it consisting of various generic test libraries and tools that are developed as separate projects. For more information about Robot Framework and the ecosystem
2018-08-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人