在“大数据”的时代背景下，保证机器学习算法效果的同时，充分挖掘IT基础设施算力，提升算法计算性能，一方面有利于保护企业现有IT投资，另一方面能让数据分析师以更短的时间完成建模，从而可以选择出来更优化的业务模型。 在本次比赛中，我们准备了已经做好了特征工程处理的数据和对应的样例代码，您需要优化模型提升准确率和性能。 请您结合对机器学习算法的理解并结合鲲鹏处理器的特点对其进行优化，我们将会利用您的代码针对训练数据进行建模，并对测试数据进行预测。建模+预测要求在15分钟之内完成。模型准确率低于70%不

基于CNN卷积神经网络，对Olivetti人脸数据集，实现了小型人脸识别项目，准确率达到85%。 # train_data: 320张，57*47， train_label:320个，1*40 # valid_data: 40张，57*47 ， valid_label:40个，1*40 # test_data: 40张，57*47 ， test_label:40个，1*40

2020语言与智能技术竞赛：关系抽取任务数据集 DuIE 2.0 训练集；验证集和测试集也会上传，提供下载！

前言 继上一篇的《百度PaddlePaddle >>> 7. 利用深度学习玩转手势识别》 这次来试试用卷积神经网络进行车牌识别，这是所要用到的数据集：车牌识别字符数据集.zip 一、准备数据 1. 解压数据 首先我们需要先解压上述数据集的压缩包，并将其中无关文件删除（将目录换成你的即可）： unzip -q /home/aistudio/data/data23617/characterData.zip 2. 生成数据列表 从解压的数据生成两个数据列表：train_data.