随着新能源的不断发展，大量大容量风电机组并入电网运行，给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型，该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性，在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN)，以提高模型对原始数据的特征提取和降维能力，并引入dropout技术减少模型中的过拟合现象。工程实例分析表明，所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。

使用深度神经网络CNN、深度学习进行眼底图像分析糖尿病视网膜病变检测 任何质疑请联系 电子邮件 - josemebin@gmail.com 暴民 -+91 9994444414

本文学习Neural Networks and Deep Learning 在线免费书籍，用python构建神经网络识别手写体的一个总结。 代码主要包括两三部分： 1）、数据调用和预处理 2）、神经网络类构建和方法建立 3）、代码测试文件 1）数据调用： #!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2017-03-12 15:11 # @Author : CC # @File : net_load_data.py # @Software: PyCharm Community Edition from numpy imp

哈尔 使用深度神经网络的人类活动识别（HAR）

交通标志检测 这是论文的代码 ， ， 本文通过结合多种特征提取器（Resnet V1 50， Resnet V1 101，Inception V2，Inception Resnet V2，Mobilenet V1和Darknet-19）。 我们旨在探索这些对象检测模型的特性，这些对象通过转移学习进行了修改，并特别适合于交通标志检测问题领域。 特别是，在Microsoft COCO数据集上进行了预训练的各种公开可用的对象检测模型在数据集上进行了微调。 这些模型的评估和比较包括关键指标，例如平均平均精度（mAP），内存分配，运行时间，浮点运算次数，模型参数数量以及交通标志图像尺寸的影响。 我们提供： 几种。 。 测试代码以。 说明。 说明。 创建GTSDB TFRecords的脚本。 如果您发现此代码对您的研究有用，请引用： "Evaluation of deep ne

与“ 11行MATLAB代码的深度学习”视频中的演示相关的MATLAB代码。 https://www.mathworks.com/videos/deep-learning-in-11-lines-of-matlab-code-1481229977318.html 该演示使用 AlexNet，这是一种经过预训练的深度卷积神经网络（CNN 或 ConvNet），已在超过一百万张图像上进行过训练。 该示例分为两部分：设置相机和执行对象识别。 第一部分展示了如何使用 webcam 命令从相机获取图像。 使用 drawow 命令，MATLAB 能够不断更新和显示相机拍摄的图像。 您可以在此处下载网络摄像头支持包： https://www.mathworks.com/matlabcentral/fileexchange/45182-matlab-support-package-for-usb-web

介绍 一维（1D）信号/时间序列数据上的多个SOTA骨干深度神经网络（例如ResNet [1]，ResNeXt [2]，RegNet [3]）的PyTorch实现。 如果您在工作中使用此代码，请引用我们的论文 @inproceedings{hong2020holmes, title={HOLMES: Health OnLine Model Ensemble Serving for Deep Learning Models in Intensive Care Units}, author={Hong, Shenda and Xu, Yanbo and Khare, Alind and Priambada, Satria and Maher, Kevin and Aljiffry, Alaa and Sun, Jimeng and Tumanov, Alexey}, bookt

matlab代码，不使用库函数。基于Dropout的手写体数字识别。

人工智能产业联盟-基于端侧推断任务的深度神经网络处理器基准测试首轮评估结果发布-2019.3-22页.pdf

NVIDIA CUDA深度神经网络库 (cuDNN) 是经GPU加速的深度神经网络基元库。cuDNN可大幅优化标准例程（例如用于前向传播和反向传播的卷积层、池化层、归一化层和激活层）的实施。 世界各地的深度学习研究人员和框架开发者都依赖cuDNN实现高性能GPU加速。借助 cuDNN，研究人员和开发者可以专注于训练神经网络及开发软件应用，而不必花时间进行低层级的GPU性能调整。cuDNN可加速广泛应用的深度学习框架，包括 Caffe2、Chainer、Keras、MATLAB、MxNet、PyTorch 和 TensorFlow。