Pytorch框架Resnet_VGG两种网络实现人脸表情识别源码+训练好的模型+项目详细说明+PPT报告.zip 包含的网络有resnet网络，vgg网络，以及对应训练好的模型文件， 包含项目详细说明文档，可参考文档操作学习。 包含制作好的答辩PPT 该项目可以用来参考学习，适合深度学习初学者或者需要实践经验的工程师使用，也可以直接拿来作为毕设使用，请放心下载！ 由于该项目使用的人脸识别数据集太大，无法一起上传，故使用的数据集 下载链接为：https://download.csdn.net/download/DeepLearning_/87325578

【MATLAB教程案例53】CNN卷积神经网络的MATLAB编程学习和实现，以手势识别为例进行仿真分析。博客matlab入门100例中用到的数据库。

Keras CNN分类器 该存储库提供代码以根据Tensorflow 2.0中Keras API提供的预训练卷积神经网络（CNN）设置和训练自己的图像分类器。 您可以利用转移学习对自己收集的数据集进行训练，或者从头开始训练网络以比较大型数据集的性能。 如何使用 这个仓库的主要代码包含在ClassifierCNN类Classifier.py 。 您真正需要做的就是导入该类，设置一个适当的实例来指定所需的数据集和模型，一切顺利。 下面提供了一些示例： # Import pre-trained Keras CNN Model from keras.applications.densenet import DenseNet169 # Import ClassifierCNN class from Classifier import ClassifierCNN # Instantiate clas

大家好，今天给大家带来一个卷积神经网络（CNN）数学图形识别项目(简单入门版)，这个是人工智能解题的基础，机器首先通过题目识别出题目中的文字和图形，读懂题目的含义，这个是个相对复杂的过程。就在今年的1月4日，麻省理工学院等四所高校的联合研究团队，发布了一项最新研究成果：他们开发了一个神经网络，可以解答出微积分、线性代数等大学数学题。不管是要求计算数值，还是写方程式，或者画出函数图形，都能轻易解答，正确率达到了100%。要知道，在短短几个月前，人工智能解答类似的题，最高正确率不到10%。

graph-rcnn.pytorch 我们的ECCV 2018论文Pytorch代码 介绍 该项目是一组基于Pytorch 1.0的重新实现的代表性场景图生成模型，包括： 我们自己的 。 ECCV 2018。 Xu等人。 CVPR 2017 ，Li等。 ICCV 2017 ，Zellers等。 CVPR 2018 ，Zhang等，CVPR 2019 我们的重新实现基于以下存储库： 为什么我们需要这个存储库？ 将所有这些代表性方法收集到一个回购中的目的是在相同设置下跨不同方法建立更公平的比较。 您可能会在最近的文献中注意到，IMP，MSDN，Graph R-CNN和神经母题的报告数量通常令人困惑，尤其是由于IMP样式方法（前三种）和神经母题风格的方法（神经母题）之间存在较大差距纸和其他基于它的变体） 。 我们希望该仓库可以为各种场景图生成方法建立良好的基准，并为研究界做出贡献

基于CNN和SVM的设备审查实现

基于词向量和cnn的恶意邮件检测防钓鱼

基于机器学习和深度学习的项目，内含数据集以及详细的备注源码

卷积核可视化 import matplotlib.pyplot as plt import numpy as np from keras import backend as K from keras.models import load_model # 将浮点图像转换成有效图像 def deprocess_image(x): # 对张量进行规范化 x -= x.mean() x /= (x.std() + 1e-5) x *= 0.1 x += 0.5 x = np.clip(x, 0, 1) # 转化到RGB数组 x *= 255 x = np.clip(x, 0, 25

Girshick - 2015 - Fast r-cnn.pdfGirshick - 2015