1樓：匿名使用者
摘要mnist資料庫，為比較不同方法的手寫數字識別。有很多相關資料，以不同的分類器的識別率，其中，我們的神經分級舉行了第二次的地方[ 1 ] （識別率為99.21 ％ ） 。
目前，我們開發的改進神經網路結構和演算法的手寫數字識別。改進分級機已識別率為99.37 ％ 。
這個結果是最好的，從已知的。在這篇文章中我們簡要地描述的一般結構，我們的分類和最新的改進。
1引言有許多應用，其中需要認識到手寫數字。舉例來說，銀行支票，報關自動閱讀等。
各種方法，提出瞭解決這個問題[ 2 ] ， [ 3 ] 。估算方法的有效性，最重要的引數是識別率。這個參數列明，其中的比例樣本，在測試資料庫，是公認的，正確的。
該mnist資料庫包含60000個手寫體數字，在訓練集和10000個手寫體數字，在測試集。不同的分類證明，對這一資料庫由lecun [ 2 ]表明，識別率從88 ％至99.3 ％ （見表1 ） 。
我們已經制定了新的神經分類里拉（有限容易接受面積分類）的基礎上羅森布拉特的感知原則。適應羅森布拉特的感知器在手寫數字識別的問題，我們取得了一些變化，感知器的結構，訓練和識別演算法。
羅森布拉特的感知器包含三個層面的神經元。第一層對應於視網膜上。在技術上而言，它對應的輸入影象。
第二層接聯想層對應的特徵提取子系統。第三層r對應輸出的所有系統。每個神經元的這層對應的一個輸出班。
在手寫數字識別任務，這層包含10個神經元所對應的數字0 ， … ， 9 。之間的連線層s和a都建立了利用一個隨機程式，並不能改變的，由感知器訓練。他們的權數為0或1 。
2樓：
摘要 mnist資料庫為手寫的數字公認不同的方法比較服務。 有許多資料與之中我們神經系統的量詞有第二個地方的不同的量詞識別速率有關在[1] (識別速率99.21%)。
當前我們開發神經網路結構的手寫的數字公認改善和演算法。 被改進的量詞有識別速率99.37%。
這個結果是從已知的部分的最好。 在本文我們簡單地描述我們的量詞和最新的改善一般結構。
1介紹有許多應用，需要認可手寫的數字。 例如，銀行支票，海關申報自動讀書等。
various方法提議解決這[第2個問題]， [3]。 對於方法有效率的估計最重要的參量是識別速率。 這個參量展示，在測試資料庫中成比例樣品恰當地被認可。
the mnist資料庫在測試集合的訓練被設定的和10,000個手寫的數字包含60,000個手寫的數字。 在這個資料庫證明的不同的量詞由lecun [2]顯示了從88%的識別速率直到99.3% (表1)。
我們開發了根據rosenblatt』s感知機原則(有限的易接收的區域量詞)的新的神經系統的量詞里拉。 要適應手寫的數字公認問題的rosenblatt『s感知機我們做在感知機結構、訓練和公認演算法的一些變動。
rosenblatt』s感知機包含神經元三層數。 第一層數s對應於視網膜。 用技術術語它對應於輸入圖象。
a稱結合層數的第二層數對應於特徵抽出子系統。 第三層數r對應於所有系統產品。 這層的每個神經元對應到其中一個輸出種類。
在手寫的數字公認任務這層數包含10個神經元與數字0， …相應，層數s和a之間的9.連線被建立使用一個任意做法，並且不可能被感知機訓練改變。 他們有重量0或1。
把這日記翻譯成廣州話 分給你
ok,我就當你會給分我 正文 下晝打咗個 比你,同你傾咗一陣,好開心,睇你瞓咗咁耐,琴晚又上網上到天光咖啦?我妒忌,晚黑我見到你係度,但系你冇理我,我亦都自自然然唔敢去打攪你,想你玩得開心d.婷,仲記唔記得?我哋曾經去食過雪糕噶地方,仲記唔記得我最中意雪糕啊?晚黑我又一個人去到個間店裡面,買咗我哋曾...
英語翻譯全部全部全部全部求高手謝謝啦
ty嚕嚕 1.play slowly 2.loudly 3.sad dead 4.speak loudly 丶人非草木灬 1 play lowish 2 loudly 3 sadly die 4 speak loudly 5 bite carefully 英語 第二大題全部全部全部全部 求高手 謝謝...
把6塊西瓜全部分給爸爸 媽媽和麗麗，每人至少分1塊。有多少種不同的分法
桃花心釀 一共有10種不同的分法。分法如下 1 爸爸1塊 媽媽1塊 麗麗4塊。2 爸爸1塊 媽媽4塊 麗麗1塊。3 爸爸4塊 媽媽1塊 麗麗1塊。4 爸爸1塊 媽媽2塊 麗麗3塊。5 爸爸1塊 媽媽3塊 麗麗2塊。6 爸爸2塊 媽媽1塊 麗麗3塊。7 爸爸2塊 媽媽3塊 麗麗1塊。8 爸爸3塊 媽媽...