方面提取 尝试进行方面提取任务的模型 如何执行范例 具有POS标签的LSTM CRF 将lstm_crf_pos_run.py ， word2id.pickle和best_model_lstm_crf_pos.pt文件放在同一目录中。 使用引号内的句子作为命令行参数运行lstm_crf_pos_run.py 。 （Python 2.7） 例如： python lstm_crf_pos_run.py "I like itallian pizza"

此数据集包含了100个汉字的图片见，每个汉字都标上了数字标签，具体的使用可参考博客中的代码（手写汉字的分类识别）

使用 3D 多分辨率 R-CNN 的脑微出血 3D 实例分割框架 由 I-Chun Arthur Liu、Chien-Yao Wang、Jiun-Wei Chen、Wei-Chi Li、Feng-Chi Chang 撰写的论文“3D Instance Segmentation Framework for Cerebral Microbleeds using 3D Multi-Resolution R-CNN”的官方 PyTorch 实现Yi-Chung Lee, Yi-Chu Liao, Chih-Ping Chung, Hong-Yuan Mark Liao, Li-Fen Chen. 论文目前正在审查中。 关键词：3D 实例分割、3D 对象检测、脑微出血、卷积神经网络 (CNN)、磁敏感加权成像 (SWI)、3D Mask R-CNN、磁共振成像 (MRI)、医学成像、pytorch

深车 车辆模型/制造的细粒度检测 数据集 训练数据集包含来自集的163 / 1,716辆汽车制造商/模型[1] 微调VGG 建筑学 使用CompCars数据集对在ImageNet上预训练的模型进行了微调（16970/776火车/有效图像-115辆车/类） 结果 准确性：在200个时代中，前5名占93.2％ ，使用的基本学习率为0.001，批处理大小为64。 RA-CNN仔细看就能看到更好 建筑学 结果 参考 [1]杨琳洁，罗平，陈改来，唐小鸥。 用于细粒度分类和验证的大型汽车数据集，计算机视觉和模式识别（CVPR），2015年。

基于深度学习的植物病害识别 这个基于django的Web应用程序使用经过训练的卷积神经网络来识别植物叶片上存在的疾病。 它由38种不同的健康和病态植物叶子组成。 38个类是： 苹果->苹果结ab 苹果->黑腐 苹果->雪松苹果锈 苹果->健康 蓝莓->健康 樱桃->白粉病 樱桃->健康 玉米-> Cercospora叶斑（灰色叶斑） 玉米->普通锈 玉米->北方叶枯病 玉米->健康 葡萄->黑腐 葡萄->埃斯卡（黑麻疹） 葡萄->叶枯病（Isariopsis Leaf Spot） 葡萄->健康 橙色->上龙冰（柑橘绿化） 桃->细菌斑 桃子->健康 胡椒，铃铛->细菌斑 胡椒，铃铛->健康 马铃薯->早疫病 马铃薯->晚疫病 土豆->健康 覆盆子->健康 大豆->健康 壁球->白粉病 草莓->叶焦 草莓->健康 番茄->细菌斑 番茄->早疫病 番茄->晚疫病 番茄->叶霉 番茄

maxout Matlab代码Matlab神经网络 用于2D卷积神经网络的Matlab代码 受到“”和“”的启发，但以教育为目的。 提供精心设计的matlab类层次结构，通过简单地阅读代码，可以帮助人们了解卷积神经网络和多层感知器（MLP）的工作流程。 概括： 基本层（M到N转换）： 全连接，卷积[1] 平均池，最大池 辅助层：本地响应归一化[2] 激活层（逐点变换）：Sigmoid，Relu [2] 正则化：辍学（实施为逐点变换），最大范数约束[3] 参数更新：动量和权重衰减的随机梯度下降（小批量）[3] 损失：最小二乘（用于分类/回归），Softmax /交叉熵/逻辑损失（用于分类） 可视化：类模型和类显着性图[4] 注意：随意使用代码，但这主要是为了我个人玩耍，并且开发仍在进行中，因此不能保证没有错误：） 去做 代码 myCNN 显示损失 从加载的模型继续训练 反式 输入特征图的卷积层选取随机子集 Maxout？ doc 给出了比Jake Bouvrie的“卷积神经网络注释”中的数学细节更多的注释 多维数组演算 卷积导数； 卷积作为脉冲卷积的总和 解释为什么“原子层”的设计手册

mdCNN is a Matlab framework for Convolutional Neural Network (CNN) supporting 1D, 2D and 3D kernels. Network is Multidimensional, kernels are in 3D and convolution is done in 3D. It is suitable for volumetric input such as CT / MRI / video sections. But can also process 1d/2d images. Framework supports all the major features such as dropout, padding, stride, max pooling, L2 regularization, momentum, cross entropy, MSE. The framework Its completely written in Matlab, No dependencies are needed. It is pretty optimized, when training or testing all of the CPU cores are participating using Matlab Built-in Multi-threading. There are several examples for training a network on MNIST, CIFAR10, 1D CNN, and MNIST3d - a special expansion of MNIST dataset to 3D volumes. MNIST Demo will download the dataset and start the training process. It will reach 99.2% in several minutes. CIFAR10 demo reaches about 80% but it takes longer to converge. For 3D volumes there is a demo file that will creates a 3d volume from each digit in MNIST dataset, then starts training on the 28x28x28 samples. It will reach similar accuracy as in the 2d demo This framework was used in a project classifying Vertebra in a 3D CT images. =~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~ To run MNIST demo: Go into the folder 'Demo/MNIST' , Run 'demoMnist.m' file. After 15 iterations it will open a GUI where you can test the network performance. In addition layer 1 filters will be shown. To run MNIST3D demo: Go into the folder 'Demo/MNIST3d' , and run 'demoMnist3D.m' file. =~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~=~ Check the 'mdCNN documentation.docx' file for more specification on how to configure a network For general questions regarding network design and training, please use this forum https://groups.google.com/forum/#!forum/mdcnn-multidimensional-cnn-library-in-matlab Any other issues you can contact me at hagaygarty@gmail.com Please use matlab 2014 and above

广告广告 字节跳动广告系统下的穿山甲平台大量招人，有兴趣的直接发简历到我邮箱：。 也可以直接加我 QQ：2263509062 基于LSTM的中文情绪识别 基于keras深度学习库，搭建LSTM网络，来对数据集进行情绪识别，分成六类情绪。 数据集 下载地址： 数据概览： 4万多条句子,分为其他（Null), 喜好(Like)，悲伤(Sad)，厌恶(Disgust)，愤怒(Anger)，高兴（Happiness）六类 数据来源：数据分别来源于NLPCC Emotion Classification Challenge（训练数据中17113条，测试数据中2242条）和微博数据筛选后人工标注(训练数据中23000条，测试数据中2500条)。 数据提供方： 清华大学计算机系黄民烈副教授 项目结构 |——data | |——train.json 原数据集 | |——stopWords.tx

代码数据完整，包含超限学习机，单层双层神经网络 %% III. 数据归一化 %% % 1. 训练集 [Pn_train,inputps] = mapminmax(p); Pn_test = mapminmax('apply',ptest,inputps); %% % 2. 测试集 [Tn_train,outputps] = mapminmax(t); Tn_test = mapminmax('apply',ttest,outputps); %% IV. ELM创建/训练 [IW,B,LW,TF,TYPE] = elmtrain(Pn_train,Tn_train,19,'sig',0);

智能水分析 用于实际解决方案的LTSM实现-目标是为每种水体（采集者，水泉，河流，湖泊）创建一个数学模型，以基于（噪声）在设定的时间间隔内预测每个唯一水体中的水量） 数据。 资料说明： 这项比赛使用了9个不同的数据集，这些数据集是完全独立的，彼此之间没有链接。 每个数据集可以代表不同种类的水体。 由于每个水体互不相同，因此相关特征也互不相同。 因此，例如，如果我们考虑一个水泉，我们会注意到它的特征不同于湖泊的特征。 这是正确的，并反映了每个水体的行为和特征。 Acea集团处理四种不同类型的水体：水泉（提供了三个数据集），湖泊（提供了一个数据集），河流（提供了一个数据集）和含水层（提供了四个数据集） ）。 让我们看看这9个水体之间的差异。 Waterbody: Auser 类型：含水层 Description（说明）：该水体由两个子系统组成，分别称为NORTH和SOUTH，其中前者部分