手寫體數字神經網絡

我的第一個方法是沒有涉及神經網絡。我只是簡單地比較手寫輸入（數字1-3）和模型圖像，通過索引比較兩個圖像的像素，看它們是否保持相同的RGB值。此方法效果很差，只有在手寫數字與基礎圖像具有相同像素的情況下才有效。現在我想實現某種神經網絡，但我有一些問題。手寫體數字神經網絡

所有圖像由所有黑色或白色像素組成，每個圖像爲500x500像素。

我對神經網絡有一個基本的理解，那裏有後向傳播，偏差，權重，隱藏層等等......我明白他們是抽象地做了什麼，但我對如何實現神經網絡感到困惑。計算機可以識別的模式是什麼？

我想指出，我不限制自己的神經網絡，我接受其他解決這個問題，但神經網絡似乎是解決這個的好方法。

來源

2016-11-27 BruceTheGoose

沒有答案（因爲問題可能過於寬泛），但NVIDIA正在研究類似的東西（等等）。特別是，https://developer.nvidia.com/cudnn庫基本上附帶一個樣本，該樣本是http://yann.lecun.com/exdb/mnist/ – Marco13

的分類程序。該種類沒有限制NN可以學習的模式。擁有足夠的數據當然很重要。我不會推薦實現你自己的NN實現，而是使用經過充分測試的庫。我們不知道你在用什麼語言，但是其中一個最強大（也是超級強大）的初學者友好的庫是[keras]（https://keras.io/）（python），它也有一個很好的開始Marco提到的MNIST問題模板[here]（https://github.com/fchollet/keras/blob/master/examples/mnist_cnn.py）。還有其他的MNIST例子。現代研究將教你：使用**卷積網！**。 – sascha

在我的情況下，它的工作......修改後。你的神經網絡可能做得不好，因爲你直接將像素的顏色強度作爲特徵向量。這使得它們對移位非常敏感（例如，將圖像移動一個像素將導致完全不同的矢量）。嘗試根據角色的位置和大小規範化圖像。另外想想如果你可以使用圖像中的其他信息來補充特徵向量。 PS。爲什麼不把RGB轉換成簡單的灰度？從視覺上看，你會得到相同的信息，但你得到的訓練功能要少3倍。

來源

2017-03-22 11:26:15 OZ13

手寫體數字神經網絡

回答

相關問題