本文主要是介绍经典问题-数字图像的识别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
主要是老师布置的一个考察任务，虽然名义上给了十几天的时间，可是这十几天，大部分的时间都在复习准备期末考试（万恶的考试啊！！！），结果导致自己只有几天的时间来做，加上自己是一个新手，任务完成的马马虎虎 了╮(╯▽╰)╭
说到这个经典问题，网上公布的数据集有很多，这里提供一个MNIST，这个数据集的格式注意下，是二进制存储的。最好仔细阅读下数据的格式。这里提供一下matlab的读取方式。下载好文件后
[cpp] view plaincopy在CODE上查看代码片派生到我的代码片
FID = fopen('Mnist文件','r');
% magicnumber=fread(FID,4,'int32');
% size=fread(FID,4,'int32');
magicnumber=fread(FID,4);
size=fread(FID,4);
rows=fread(FID,4);
colums=fread(FID,4); images=fread(FID, inf, 4);fclose(FID); 到这里，需要给一个工具箱，DeeplearnToolbox （github地址 ：https://github.com/rasmusbergpalm/DeepLearnToolbox），里面实现了好几个深度学习模型，是非常适合学习的资料，里面有的模型，CNN （Convolutional Neural Networks）， DBN等等，在github上面有详细的介绍，大家需要仔细看看。
在DeeplearnToolbox 内部，有mnist_unit8.m 这个文件，可以直接load mnist_unit8， MNIST数据都保存在里面。
关于MNIST现在已经有非常好的效率了，但是对于variation MNIST来说，就不是这样了，特别是有背景干扰和旋转干扰的，这个时候我们需要克服这种干扰。下面给出读取MNIST variations的代码github ，直接给github链接了，里面还有一些使用DeeplearnToolbox 内的方法进行学习判别的代码，但是我的错误率不低，我觉得要想克服这些干扰，需要结合CNN和SAE的优势， 其实有一个CAE（ Convolutional Auto-Encoders）DeeplearnToolbox内部有一个实现，，但是了解不多，还有一个CAE（Contractive Auto-Encoders）论文：Contractive auto-encoders: Explicit invariance during feature extraction
以后有资料，我再继续补充
这篇关于经典问题-数字图像的识别的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
