- 博客(5)
- 收藏
- 关注
RSS订阅原创 MNIST数据集：利用numpy编写第一个训练代码——SVM分类器
SVM的基本原理是找到一个超平面，将数据集中的不同类别尽可能地分开，同时保持超平面与最近的数据点（即支持向量）之间的间隔最大化。但缺点是对于大规模数据集的训练可能比较慢，对核函数和参数的选择敏感，且在某些噪声较大的数据集上可能表现不佳。：为了处理非线性问题，SVM引入了核函数，它可以将原始数据映射到更高维的空间中，在这个新的空间中寻找线性可分的超平面。：在现实世界的数据中，数据往往是非线性可分的。在SVM中，我们希望找到这样一个超平面，使得不同类别的数据点到这个超平面的距离（即间隔）最大化。
2024-07-23 09:12:08
720
原创 利用numpy编写的一个分类代码——KNN
KNN是一种基本的分类算法，其思想是：通过测量不同特征值之间的距离来进行分类。它的工作原理是：通过计算待分类样本与已知分类样本之间的距离，取距离最小的K个样本，看这K个样本中哪个类别最多，就把待分类样本分为这个类别。距离最近的3个样本，统计这3个样本中每个类别的出现次数，然后返回出现次数最多的类别作为分类结果。进行排序，得到按出现次数降序排列的列表，并返回出现次数最多的类别及其计数。在函数内部，首先计算了测试样本与所有输入数据之间的欧氏距离，并存储在。，用于统计每个类别在最近K个邻居中的出现次数。
2024-07-23 09:05:33
136
原创 MNIST数据集下的数字识别——利用torch包快速搭建两层神经网络
这个函数用于加载图像文件夹中的所有图像，将它们转换为灰度，并调整大小为28x28像素。: 这是主函数，它设置了设备（GPU或CPU），加载和处理训练数据，初始化模型和优化器，执行训练过程，并在训练结束后评估模型在测试集上的准确率。本文在这里是使用了小批量数据集，训练图片20张，如果需要增大训练数据，只要再图片处理函数和标签处理函数进行数字修改就可以了。类似，但是它读取的标签数量是固定的20个，这可能不适用于整个MNIST数据集。的类，定义了一个简单的前馈神经网络，包含两个全连接层。
2024-07-22 15:13:32
335
原创 MNIST数据集下的数字识别——批量归一化的应用
1. 数据加载与预处理imagedata函数功能：加载图像数据。 输入：图像文件夹路径。 过程： 读取文件夹中的所有图像文件。 逐个打开图像文件，转换为灰度图，并调整大小到 28x28。 将图像转换为浮点数数组，并进行归一化处理（除以 255）。 将所有图像堆叠成一个数组，并重新塑形为[图像数量, 784]的形状。 labeldata函数功能：加载标签数据。 输入：标签文件路径。 过程： 读取标签文件。 从文件中提取标签数据，每读取 8 个字节，转换为整数
2024-07-21 15:03:27
740
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人