8-900-374-94-44
Тип мототехники: Любой Мотоцикл дорожный Мотоцикл спорт Мотоцикл суперспорт Мотоцикл туризм Мотоцикл спорт-туризм Мотоцикл чоппер / круизер Мотоцикл эндуро Мотоцикл кросс Мотоцикл триал Мотоцикл трайк Скутер мини Скутер средний Скутер макси Электроскутер Квадроцикл утилитарный Квадроцикл спортивный Квадроцикл туриcтическийДиапазон цен: Любойот 30 000 до 50 000 рубот 50 000 до 75 000 рубот 75 000 до 100 000 рубот 100 000 до 125 000 рубот 125 000 до 150 000 рубот 150 000 до 175 000 рубот 175 000 до 200 000от 200 000 до 250 000от 250 000 до 300 000 рубот 300 000 до 350 000 рубот 350 000 до 400 000 рубот 400 000 до 500 000 рубот 500 000 до 600 000 рубот 600 000 до 750 000 рубот 750 000 до 1 000 000 рубСвыше 1 000 000 рубДлина: Любая До 1,5 метров 1,5 — 1,6 метра 1,6 — 1,7 метра 1,7 — 1,8 метра 1,8 — 1,9 метра 1,9 — 2,0 метра 2,0 — 2,1 метра 2,1 — 2,2 метра 2,2 — 2,3 метра 2,3 — 2,4 метра 2,4 — 2,5 метра 2,5 — 2,6 метра 2,6 — 2,7 метра 2,7 — 2,8 метра 2,8 — 2,9 метра 2,9 — 3,0 метра Свыше 3 метровШирина: Любая До 600 миллиметров 600 — 700 миллиметров 700 — 800 миллиметров 900 — 1000 миллиметров 1 — 1,1 метра 1,1 — 1,2 метра 1,2 — 1,3 метра 1,3 — 1,4 метра 1,4 — 1,5 метра 1,6 — 1,7 метра Свыше 1,7 метраВысота: Любая До 700 миллиметров 700 — 800 миллиметров 900 — 1000 миллиметров 1 — 1,1 метра 1,1 — 1,2 метра 1,2 — 1,3 метра 1,3 — 1,4 метра 1,4 — 1,5 метра 1,5 — 1,6 метра 1,6 — 1,7 метра 1,7 — 1,8 метра 1,8 — 1,9 метра 1,9 — 2,0 метра Свыше 2 метровВысота по седлу: Любая До 600 миллиметров 60 — 650 миллиметров 650 — 700 миллиметров 700 — 750 миллиметров 750 — 800 миллиметров 800 — 850 миллиметров 900 — 950 миллиметров 950 — 1000 миллиметровГарантия: Любая 1 год 2 года 3 годаСтрана сборки: Любая Беларусь Великобритания Германия Индия Италия Испания Канада Китай Россия США Таиланд Тайвань Чехия Швеция Южная Корея Япония
От официальных дилеров
Модели 2023 года
Поиск Все марки
| Марка | Минск |
| Модель | Минск Р 250 |
| Модификация | Минск Р 250 26 лс |
| Модельный год | 2019 |
| Тип | Мотоцикл |
| Класс | Мотоцикл спорт |
| Страна сборки | Беларусь |
| Вид топлива | АИ-95 |
| Расход топлива | — |
| Запас хода | — |
| Время разгона до 100 км/ч | — |
| Максимальная скорость | 145 км/ч |
| Объем топливного бака | 11 л |
| Расходы на топливо в год (при пробеге 100 км в день) | — |
| Транспортный налог * (Москва) | 390 ₽ |
| ОСАГО * (Москва, возраст свыше 22 лет, стаж более 3 лет) | 3 000 ₽ |
* Воспользуйтесь калькуляторами Налога и ОСАГО для более детального расчета.
| Длина | 1990 мм |
| Ширина | 780 мм |
| Высота | 1060 мм |
| Высота по седлу | 800 мм |
| Дорожный просвет | 130 мм |
| Колесная база | 1350 мм |
| Снаряженная масса | 133 кг |
| Тип двигателя | Бензиновый карбюраторный |
| Количество тактов | 4 |
| Количество клапанов на цилиндр | — |
| Система охлаждения | Жидкостная |
| Число цилиндров / расположение | 1 |
| Рабочий объем двигателя | 250 см³ |
| Мощность двигателя, л.с. / оборотах | 26/8500 |
| Крутящий момент, н·м / оборотах | — |
| Система запуска | Электростартер |
| Количество передач | 6 |
| Главная передача | Цепь |
| Тип коробки передач |
| Передняя подвеска | Телескопическая вилка |
| Задняя подвеска | Маятниковая с моноамортизатором |
| Передние тормоза | Дисковые |
| Задние тормоза | Дисковые |
| ABS | Нет |
| Размер шин | 100/70 R17 — 130/70 R17 |
Сообщить об ошибке
.jpg)
..OpelBMWRenaultToyotaFordVolkswagenMazdaChevroletГод выпуска …201420132012201120102009200820072006200520042003200220012000
Отрицательный отзыв
2017-03-28Олег (Белгород), о Минске Р 250 (Minsk R 250)
Автор: Олег 5854 0 общий рейтингПоложительный отзыв
2017-03-28Сергей (Омск), о Минске Р 250 (Minsk R 250)
Автор: Сергей 7730 0 общий рейтинг
..Сортировать по: По году выпуска19751976197719791980198119821984198519861988Типу отзываПозитивныйНегативныйВопросыПоломки/ремонтСоветыТО / доработкиПо модификацииВ разработке
2
Истории пользователейVideositorialMusic & SFX
Инструменты
Enterprise
Цена
Все изображения
Log Up
Редакционное использование только
Я согласен с Пользовательским соглашениемПолучать рассылки и специальные предложения
КИЕВ, УКРАИНА — 29-ОЕ АПРЕЛЯ: Новый мотоцикл Minsk R 250 RS представлен на Международной специализированной выставке «Мотобайк 2012» 29 апреля 2012 года в Киеве, Украина.
— Фото автора cherkas 2012 год в Киеве, Украина. КИЕВ, УКРАИНА — 29 апреля: Новый мотоцикл Minsk R 250 RS представлен на Международной специализированной выставке «Мотобайк 2012» 29 апреля., 2012 г. в Киеве, Украина. КИЕВ, УКРАИНА — 29 апреля: Мотоцикл представлен на Международной специализированной выставке «Мотобайк 2012» 29 апреля 2012 г. в Киеве, Украина. КИЕВ, УКРАИНА — 29 апреля: Новый Минск R Мотоцикл 250 RS представлен на Международной специализированной выставке «Мотобайк 2012″ 29 апреля 2012 г. в Киеве, Украина. КИЕВ, УКРАИНА — 29 апреля: Новый спортивный мотоцикл Honda VFR800A представлен на Международной специализированной выставке » Мотобайк 2012″ 29 апреля 2012 года в Киеве, Украина. КИЕВ, УКРАИНА — 29 АПРЕЛЯ: Новый спортивный мотоцикл Honda VFR1200 FD демонстрируется на Международной специализированной выставке «Мотобайк 2012» 29 апреля 2012 года в Киеве, Украина. КИЕВ, УКРАИНА — 29 апреля: Новый спортивный мотоцикл Suzuki M 1800 R демонстрируется на Международная специализированная выставка «Мотобайк 2012» 29 апреля 2012 г.
в Киеве, Украина. КИЕВ, УКРАИНА — 29 апреля: Новый спортивный мотоцикл Alpina Shiver 750classic представлен на Международной специализированной выставке «Мотобайк 2012» 29 апреля. , 2012 г. в Киеве, Украина. КИЕВ, УКРАИНА — 29 АПРЕЛЯ: Новый мотоцикл Suzuki Hayabusa демонстрируется на Международной специализированной выставке «Мотобайк 2012» 29 апреля 2012 года в Киеве, Украина. КИЕВ, УКРАИНА — 29 апреля: Новый спортивный мотоцикл Honda Fireblade демонстрируется на Международной специализированной выставке Выставка «Мотобайк 2012» 29 апреля 2012 г. в Киеве, Украина. КИЕВ, УКРАИНА — 29 апреля: Новый минский мотоцикл представлен на Международной специализированной выставке «Мотобайк 2012» 29 апреля 2012 г. в Киеве, Украина .КИЕВ, УКРАИНА — 29 АПРЕЛЯ: Новый спортивный мотоцикл Kawasaki er-6n демонстрируется на Международной специализированной выставке «Мотобайк 2012» 29 апреля 2012 года в Киеве, Украина. КИЕВ, УКРАИНА — 29 апреля: Новый мотоцикл Suzuki GSX-R демонстрируется на Международная специализированная выставка «Мотобайк 2012» 29 апреля 2012 г.
в Киеве, Украина. КИЕВ, УКРАИНА — 29 апреля: Новый спортивный мотоцикл Yamaha FZ 1 представлен на Международной специализированной выставке «Мотобайк 2012» 29 апреля. , 2012 г. Киев, Украина.
Вы можете использовать эту бесплатную редакционную фотографию «Minsk R 250 RS» в личных и некоммерческих целях в соответствии со Стандартной лицензией. Это стоковое изображение можно использовать для иллюстрации историй в газетных и журнальных статьях и постах в блогах. Обратите внимание, что редакционные стоковые фотографии нельзя использовать в рекламных или рекламных материалах.
Вы можете купить эту редакционную фотографию и скачать ее в высоком разрешении до 3744×5616. Дата загрузки: 7 мая 2012 г.
DepositPhotos
Язык
Информация
.jpg)
и поддержка© 2009-2023. Depositphotos, Inc. США. Все права защищены.
Вы используете устаревший браузер. Чтобы работать в Интернете быстрее и безопаснее, бесплатно обновитесь сегодня.
База данных рукописных цифр
Цифры имеют
были нормализованы по размеру и центрированы в изображении фиксированного размера.Это хорошая база данных для людей, которые хотят попробовать методы обучения и методы распознавания образов на реальных данных с минимальными затратами усилия по предварительной обработке и форматированию.
На сайте доступны четыре файла:
train-images-idx3-ubyte.gz:
изображения обучающей выборки (9912422 байта)
train-labels-idx1-ubyte.gz:
Метки обучающего набора (28881 байт)
t10k-images-idx3-ubyte.gz:
изображения тестового набора (1648877 байт)
t10k-labels-idx1-ubyte.gz:
метки набора тестов (4542 байта)
обратите внимание, что ваш браузер может распаковать эти файлы, не сообщая вам .
Если загруженные вами файлы имеют больший размер, чем указано выше, они были
несжатый вашим браузером. Просто переименуйте их, чтобы удалить расширение .gz.
Некоторые люди спрашивали меня: «Мое приложение не может открыть ваши файлы изображений».
Эти файлы не имеют стандартного формата изображения.
Вы должны написать
ваша собственная (очень простая) программа для их чтения. Формат файла описан
внизу этой страницы.
Исходные черно-белые (двухуровневые) изображения из NIST были нормализованы по размеру. чтобы поместиться в поле размером 20×20 пикселей с сохранением соотношения сторон. Результирующий изображения содержат уровни серого из-за используемой техники сглаживания по алгоритму нормализации. изображения были центрированы в изображении 28×28 путем вычисления центра масс пикселей и перевода изображения чтобы расположить эту точку в центре поля 28×28.
При использовании некоторых методов классификации (в частности, методов на основе шаблонов, таких как SVM и K-ближайшие соседи), частота ошибок улучшается, когда цифры центрируются ограничивающей рамкой, а не центром масс. Если вы делать такого рода предварительную обработку, вы должны сообщить об этом в своем публикации.
База данных MNIST была создана на основе специальной базы данных NIST 3 и
Специальная база данных 1, содержащая бинарные изображения рукописных цифр.
НИСТ
изначально обозначал SD-3 в качестве своего тренировочного набора, а SD-1 — в качестве тестового.
набор. Однако SD-3 намного чище и легче распознается, чем SD-1.
причину этого можно найти в том, что СД-3 собирали среди
Сотрудники бюро переписи населения, а СД-1 — среди старшеклассников.
Чтобы сделать разумные выводы из обучающих экспериментов, необходимо, чтобы
результат не зависит от выбора обучающей выборки и теста среди
полный комплект образцов. Поэтому необходимо было создать новую базу данных.
путем смешивания наборов данных NIST.
Учебный набор MNIST состоит из 30 000 паттернов из SD-3 и 30 000 шаблонов от SD-1. Наш тестовый набор состоял из 5000 паттернов. из SD-3 и 5000 шаблонов из SD-1. Тренировочный набор из 60 000 шаблонов содержит примеры примерно 250 писателей. Мы убедились, что наборы авторов обучающего набора и тестового набора не пересекались.
SD-1 содержит 58 527 цифровых изображений, написанных 500 разными авторами.
В отличие от SD-3, где блоки данных от каждого записывающего устройства появлялись в
последовательности, данные в SD-1 зашифрованы.
Идентификационные данные писателя для SD-1
доступны, и мы использовали эту информацию, чтобы расшифровать писателей. Мы тогда
разделить SD-1 на две части: персонажи, написанные первыми 250 писателями, вошли в
наш новый тренировочный набор. Остальные 250 писателей были включены в наш тест.
набор. Таким образом, у нас было два набора почти по 30 000 примеров в каждом. Новый тренинг
набор был дополнен достаточным количеством примеров из SD-3, начиная с шаблона #
0, чтобы составить полный набор из 60 000 тренировочных шаблонов. Точно так же новый тест
набор был дополнен образцами SD-3, начиная с шаблона № 35 000, чтобы сделать
полный набор из 60 000 тестовых шаблонов. Только часть из 10 000 тестовых изображений
(5000 из SD-1 и 5000 из SD-3) доступны на этом сайте. Полный
Доступен обучающий набор из 60 000 образцов.
Многие методы были протестированы с этим обучающим набором и тестовым набором. Здесь
несколько примеров. Подробности о методах приведены в следующем
бумага. В некоторых из этих экспериментов использовалась версия базы данных, в которой
входные изображения, где устранены перекосы (путем вычисления главной оси формы
которая находится ближе всего к вертикали, и сдвигая линии так, чтобы она
вертикально).
В некоторых других экспериментах обучающая выборка была дополнена
искусственно искаженные версии исходных обучающих выборок. Искажения
представляют собой случайные комбинации сдвигов, масштабирования, перекоса и сжатия.
| КЛАССИФИКАТОР | ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА | ЧАСТОТА ОШИБОК ТЕСТА (%) | Справочник | |||
| Линейные классификаторы | ||||||
| линейный классификатор (1-слойный NN) | нет | 12,0 | Лекун и др. 1998 | |||
| линейный классификатор (1-слойный NN) | устранение перекосов | 8,4 | Лекун и др. 1998 | |||
| попарно-линейный классификатор | устранение перекосов | 7,6 | Лекун и др. 1998 | |||
| K-ближайшие соседи | ||||||
| K-ближайшие соседи, евклидово (L2) | нет | 5,0 | Лекун и др. 1998 | |||
| K ближайших соседей, евклидова (L2) | нет | 3,09 | Кеннет Уайлдер, У. Чикаго | |||
| K-ближайшие соседи, L3 | нет | 2,83 | Кеннет Уайлдер, У. Чикаго | |||
| K-ближайшие соседи, Евклидово (L2) | устранение перекосов | 2,4 | Лекун и др. 1998 | |||
| K ближайших соседей, евклидова (L2) | устранение перекосов, удаление шума, размытие | 1,80 | Кеннет Уайлдер, У. Чикаго | |||
| K-ближайшие соседи, L3 | устранение перекосов, удаление шума, размытие | 1,73 | Кеннет Уайлдер, У. Чикаго | |||
| K-ближайшие соседи, L3 | выравнивание, удаление шума, размытие, сдвиг на 1 пиксель | 1,33 | Кеннет Уайлдер, У. Чикаго | |||
| K-ближайшие соседи, L3 | выравнивание, удаление шума, размытие, сдвиг на 2 пикселя | 1,22 | Kenneth Wilder, U. Chicago | |||
| K-NN с нелинейной деформацией (IDM) | подвижные кромки | 0,54 | Кейзерс и др. IEEE PAMI 2007 | |||
| K-NN с нелинейной деформацией (P2DHMDM) | подвижные кромки | 0,52 | Кейзерс и др. IEEE PAMI 2007 | |||
| K-NN, касательное расстояние | субдискретизация до 16×16 пикселей | 1,1 | Лекун и др. 1998 | |||
| K-NN, соответствие контексту формы | извлечение признаков контекста формы | 0,63 | Белонги и др. IEEE PAMI 2002 | |||
| Усиленные культи | ||||||
| Усиленные культи | нет | 7,7 | Kegl et al., ICML 2009 | |||
| изделия из усиленных культей (3 термина) | нет | 1,26 | Kegl et al. , ICML 2009 | |||
| усиленные деревья (17 листьев) | нет | 1,53 | Кегл и др., ICML 2009 | |||
| пни на чертах Хаара | Особенности Хаара | 1,02 | Kegl et al., ICML 2009 | |||
| продукт пней на Haar f. | Особенности Хаара | 0,87 | Kegl et al., ICML 2009 | |||
| Нелинейные классификаторы | ||||||
| 40 PCA + квадратичный классификатор | нет | 3,3 | Лекун и др. 1998 | |||
| 1000 РБФ + линейный классификатор | нет | 3,6 | Лекун и др. 1998 | |||
| SVM | ||||||
| SVM, ядро Гаусса | нет | 1,4 | ||||
| SVM полином степени 4 | устранение перекосов | 1,1 | Лекун и др. 1998 | |||
| Сокращенный полином SVM степени 5 | устранение перекосов | 1,0 | Лекун и др. 1998 | |||
| Виртуальный SVM deg-9 poly [искажения] | нет | 0,8 | Лекун и др. 1998 | |||
| Virtual SVM, deg-9 poly, 1 пиксель с дрожанием | нет | 0,68 | DeCoste and Scholkopf, MLJ 2002 | |||
| Virtual SVM, deg-9 poly, 1 пиксель с дрожанием | устранение перекосов | 0,68 | DeCoste and Scholkopf, MLJ 2002 | |||
| Virtual SVM, deg-9 poly, 2-пиксельное дрожание | устранение перекосов | 0,56 | DeCoste and Scholkopf, MLJ 2002 | |||
| Нейронные сети | ||||||
| 2-слойная нейронная сеть, 300 скрытых единиц, среднеквадратическая ошибка | нет | 4,7 | Лекун и др. 1998 | |||
| 2-х слойный NN, 300 HU, MSE, [искажения] | нет | 3,6 | Лекун и др. 1998 | |||
| 2-слойный NN, 300 HU | устранение перекоса | 1,6 | Лекун и др. 1998 | |||
| 2-слойный NN, 1000 скрытых блоков | нет | 4,5 | Лекун и др. 1998 | |||
| 2-х слойный NN, 1000 HU, [перекосы] | нет | 3,8 | Лекун и др. 1998 | |||
| 3-слойный NN, 300+100 скрытых блоков | нет | 3,05 | Лекун и др. 1998 | |||
| 3-х слойный NN, 300+100 HU [перекосы] | нет | 2,5 | Лекун и др. 1998 | |||
| 3-слойный NN, 500+150 скрытых блоков | нет | 2,95 | Лекун и др. 1998 | |||
| 3-х слойный NN, 500+150 HU [перекосы] | нет | 2,45 | Лекун и др. 1998 | |||
| 3-слойный NN, 500+300 HU, softmax, кросс-энтропия, снижение веса | нет | 1,53 | Хинтон, неопубликовано, 2005 г. | |||
| 2-слойный NN, 800 HU, кросс-энтропийные потери | нет | 1,6 | Simard et al., ICDAR 2003 | |||
| 2-слойная нейронная сеть, 800 HU, кросс-энтропия [аффинные искажения] | нет | 1,1 | Simard et al., ICDAR 2003 | |||
| 2-слойный NN, 800 HU, MSE [упругие искажения] | нет | 0,9 | Simard et al., ICDAR 2003 | |||
| 2-слойный NN, 800 HU, кросс-энтропия [упругие искажения] | нет | 0,7 | Simard et al., ICDAR 2003 | |||
| NN, 784-500-500-2000-30 + ближайший сосед, RBM + обучение NCA [без искажений] | нет | 1,0 | Салахутдинов и Хинтон, AI-Stats 2007 | |||
| 6-слойный NN 784-2500-2000-1500-1000-500-10 (на GPU) [упругие искажения] | нет | 0,35 | Чиресан и др. Нейронные вычисления 10, 2010 г. и arXiv 1003.0358, 2010 г. | |||
| комитет 25 НН 784-800-10 [упругие перекосы] | нормализация ширины, изменение наклона | 0,39 | Мейер и др. ICDAR 2011 | |||
| глубокая выпуклая сетка, предварительная тренировка unsup [без искажений] | нет | 0,83 | Денг и др. Интерреч 2010 | |||
| Сверточные сети | ||||||
| Сверточная сеть Ленет-1 | субдискретизация до 16×16 пикселей | 1,7 | Лекун и др. 1998 | |||
| Сеть сверточная LeNet-4 | нет | 1,1 | Лекун и др. 1998 | |||
| Сверточная сеть ЛеНэт-4 с К-НН вместо последнего слоя | нет | 1,1 | Лекун и др. 1998 | |||
| Сверточная сеть LeNet-4 с локальным обучением вместо последнего слоя | нет | 1,1 | Лекун и др. 1998 | |||
| Сеть сверточная LeNet-5, [без искажений] | нет | 0,95 | Лекун и др. 1998 | |||
| Сверточная сеть ЛеНэт-5, [огромные искажения] | нет | 0,85 | Лекун и др. 1998 | |||
| Сверточная сеть ЛеНэт-5, [искажения] | нет | 0,8 | Лекун и др. 1998 | |||
| Сверточная сеть Boosted LeNet-4, [искажения] | нет | 0,7 | Лекун и др. 1998 | |||
| Извлекатель обучаемых признаков + SVM [без искажений] | нет | 0,83 | Лауэр и др., Распознавание образов 40-6, 2007 г. | нет | 0,56 | Лауэр и др., Распознавание образов 40-6, 2007 г. |
| Извлекатель обучаемых признаков + SVM [аффинные искажения] | нет | 0,54 | Лауэр и др. , Распознавание образов 40-6, 2007 г. | |||
| неконтролируемые разреженные функции + SVM, [без искажений] | нет | 0,59 | Labusch et al., IEEE TNN 2008 | |||
| Сверточная сеть, кросс-энтропия [аффинные искажения] | нет | 0,6 | Simard et al., ICDAR 2003 | |||
| Сверточная сеть, кросс-энтропия [упругие искажения] | нет | 0,4 | Simard et al., ICDAR 2003 | |||
| большой конв. нетто, случайные черты [без искажений] | нет | 0,89 | Ranzato et al., CVPR 2007 | |||
| крупные конв. сеть, функции unsup [без искажений] | нет | 0,62 | Ranzato et al., CVPR 2007 | |||
| крупные конв. сетка, unsup pretraining [без искажений] | нет | 0,60 | Ranzato et al. , NIPS 2006 | |||
| крупные конв. сетка, предварительная тренировка unsup [упругие деформации] | нет | 0,39 | Ranzato et al., NIPS 2006 | |||
| крупные конв. сетка, unsup pretraining [без искажений] | нет | 0,53 | Jarrett et al., ICCV 2009 | |||
| большая/глубокая конв. сетка, 1-20-40-60-80-100-120-120-10 [упругие перекосы] | нет | 0,35 | Чиресан и др. IJCAI 2011 | |||
| комитет из 7 съездов сетка, 1-20-П-40-П-150-10 [упругие перекосы] | нормализация ширины | 0,27 +-0,02 | Чиресан и др. ICDAR 2011 | |||
| комитет из 35 конв. сетка, 1-20-П-40-П-150-10 [упругие перекосы] | нормализация ширины | 0,23 | Чиресан и др. CVPR 2012 | |||
, 1998a]Все целые числа в файлах сначала сохраняются в старшем разряде (старший разряд) формат, используемый большинством процессоров сторонних производителей. Пользователи процессоров Intel и другие машины с низким порядком байтов должны переворачивать байты заголовка.
Есть 4 файла:
train-images-idx3-ubyte: изображения обучающего набора
train-labels-idx1-ubyte: метки обучающего набора
t10k-images-idx3-ubyte: тестовый набор изображений
t10k-labels-idx1-ubyte: ярлыки тестового набора
Обучающий набор содержит 60 000 примеров, а тестовый набор — 10 000 примеров.
Первые 5000 примеров тестового набора взяты из исходного Учебный набор NIST. Последние 5000 взяты из оригинального теста NIST. набор. Первые 5000 чище и проще, чем последние 5000.
Значения меток от 0 до 9.
……. пикселей организованы построчно. Значения пикселей от 0 до 255. 0 означает фон (белый), 255 означает передний план (черный).
Значения меток от 0 до 9.
……. пикселей организованы построчно. Значения пикселей от 0 до 255. 0 означает фон
(белый), 255 означает передний план (черный).
Основной формат
магическое число
размер в измерении 0
размер в измерении 1
Размер
в измерении 2
…..
размер в размере N
данных
Магическое число представляет собой целое число (сначала старший бит). Первые 2 байта всегда 0.
Третий байт кодирует тип данных:
0x08: беззнаковый байт
0x09: байт со знаком
0x0B: короткий (2 байта)
0x0C: целое число (4 байта)
0x0D: число с плавающей запятой (4 байта)
0x0E: двойной (8 байт)
4-й байт кодирует количество измерений вектора/матрицы: 1 для векторов, 2 для матриц….
Размеры в каждом измерении представляют собой 4-байтовые целые числа (сначала старший бит, старший разряд,
как и в большинстве процессоров не Intel).