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

2022-09-26 14:17:10

数据集下载以及展示

数据集下载以及展示

在上图中右侧显示了一张数字1的图片，而右侧显示了这个图片所对应的像素矩阵,MNIST数据集提供了4个下载文件。
对手写数据集50000张图片实现阿拉伯数字0~9识别，并且对结果进行分析准确率。从这个页面获得的手写数字的MNIST数据库具有60000个示例，包括50000张图片训练集和10000张图片测试集。它是从NIST获得的更大集合的子集。数字已被规格化，并以固定大小的图像为中心。
手写数字识别也是比较常见的例子了，这个数据集包含有60000张用于训练的手写数字的图片，10000张用于测试的图片，所有图片的尺寸都已经被标准化了，并且，尺寸为2828．每个像素值0~1区间内的值，其中0代表白色，1代表黑色，区间内的值表示灰色。为了简化，每张图片已经被转换成一个 1728的一维数组，表示784个特征（28'28)。
手写数字数据集下载：http://yann.lecun.com/exdb/mnist/

代码实现

#查看手写数字图片数据集的大小等参数
import mnist_loader
import network

training_data, validation_data, test_data = mnist_loader.load_data_wrapper()   #调用mnist_loader文件的load_data_wrapper函数，加载data/mnist.pkl.gz数据集
print("training_data")   
print(type(training_data))
print(list(training_data))        #list
print(len(training_data))         #长度
print(training_data[0][0].shape)  #x的维度784
print(training_data[0][1].shape)  #y的维度10