DL之NN/Average_Darkness/SVM：手寫數字圖片識別(本地數據集50000訓練集+數據集加4倍)比較3種算法Average_Darkness、SVM、NN各自的準確率

?

?

目錄

?數據集下載以及展示

代碼實現

設計思路及代碼

1、圖片灰度平均值識別分類

2、SVM算法

3、神經網絡

4、總結

---

?

?數據集下載以及展示

?
? ? ? 在上圖中右側顯示了一張數字1的圖片，而右側顯示了這個圖片所對應的像素矩陣,MNIST數據集提供了4個下載文件。
? ? ? 對手寫數據集50000張圖片實現阿拉伯數字0~9識別，并且對結果進行分析準確率。從這個頁面獲得的手寫數字的MNIST數據庫具有60000個示例，包括50000張圖片訓練集和10000張圖片測試集。它是從NIST獲得的更大集合的子集。數字已被規格化，并以固定大小的圖像為中心。
? ? ?手寫數字識別也是比較常見的例子了，這個數據集包含有60000張用于訓練的手寫數字的圖片，10000張用于測試的圖片，所有圖片的尺寸都已經被標準化了，并且，尺寸為2828．每個像素值0~1區間內的值，其中0代表白色，1代表黑色，區間內的值表示灰色。為了簡化，每張圖片已經被轉換成一個 1728的一維數組，表示784個特征（28'28)。?
手寫數字數據集下載：http://yann.lecun.com/exdb/mnist/

代碼實現

#查看手寫數字圖片數據集的大小等參數 import mnist_loader import networktraining_data, validation_data, test_data = mnist_loader.load_data_wrapper() #調用mnist_loader文件的load_data_wrapper函數，加載data/mnist.pkl.gz數據集 print("training_data") print(type(training_data)) print(list(training_data)) #list print(len(training_data)) #長度 print(training_data[0][0].shape) #x的維度784 print(training_data[0][1].shape) #y的維度10

?

設計思路及代碼

1、圖片灰度平均值識別分類

首先，利用圖片本身的屬性，圖片的灰度平均值進行識別分類，我運行出來的準確率是22%左右
利用圖片的灰度平均值來進行分類實現手寫圖片識別(數據集50000張圖片)——Jason niu

?

2、SVM算法

其次，利用SVM算法，我運行出來的準確率是93%左右，具體代碼請點擊
SVM：利用SVM算法實現手寫圖片識別(數據集50000張圖片)—Jason niu?

?

3、神經網絡

最后，利用深度學習之神經網絡，我運行出來的準確率是94%左右，具體代碼請點擊
NN：利用深度學習之神經網絡實現手寫數字識別(數據集50000張圖片)—Jason niu

1、神經網絡進行手寫數字圖片識別原理

損失函數

?

?

?

?

4、總結

最后，我們發現神經網絡和SVM的算法學習質量非常高，而傳統的灰度平均值算法則差強人意！

相關文章
DL之NN：利用調用自定義神經網絡network.py文件(調用mnist_loader.py文件的load_data_wrapper函數,加載mnist.pkl.gz數據集)實現手寫圖片識別，準確率94%
Average_Darkness/SVM：手寫數字識別(數據集50000張圖片訓練集)比較Average_Darkness、SVM各自的準確率

?

?

總結

以上是生活随笔為你收集整理的DL之NN/Average_Darkness/SVM：手写数字图片识别(本地数据集50000训练集+数据集加4倍)比较3种算法Average_Darkness、SVM、NN各自的准确率的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。