基于机器学习GRU_CNN_KNN_SVM_RF5种实现的web攻击检测系统项目源码+数据集+模型+项目说明.7z 基于聚类的XSS和SQL注入检测 基于机器学习的XSS和SQL注入检测 现了基于GRU，CNN，KNN，SVM，RF共五个检测模型 检测过程：数据加载-》数据预处理(urldecode和转小写)->向量化（预训练word2Vec模型，padding补齐）->模型训练->模型预测->模型评估

MATLAB实现Bee-CNN蜜蜂算法优化卷积神经网络图像分类预测（完整源码和数据） MATLAB实现Bee-CNN蜜蜂算法优化卷积神经网络图像分类预测（完整源码和数据） 数据为图像分类数据,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2021b及以上。

Omega-AI：基于java打造的深度学习框架，帮助你快速搭建神经网络，实现训练或测试模型，支持多线程与GPU运算。

VGG原版论文，重点标注

Inception v1原版论文，已标注重点

ResNet残差网络原版论文，已标注重点

卷积神经网络(CNN)入门总结-基于tensorflow2 包含CNN原理、已经在tf2中如何实现 CSDN文章地址：https://blog.csdn.net/zzpl139/article/details/127552177 在线运行地址：https://www.heywhale.com/mw/project/63410e26dfae0249677f85b0 数据地址：https://github.com/garythung/trashnet 数据地址2：https://www.heywhale.com/mw/dataset/5d1578e4708b90002c6a3238

针对智能电网调度控制系统(D5000系统)健康度评价，基于专家经验的传统评价方法存在主观性较大的问题，机器学习多分类方法是提高评价客观性的一种有效手段，但健康度各等级样本数目间存在的不平衡问题导致分类准确率较低，为此提出一种基于随机平衡和极端梯度提升(RB-XGBoost)算法的D5000系统健康度评价模型。首先，针对系统各评价等级样本数目严重不平衡的问题，提出一种自适应随机平衡(RB)的混合采样方法，分别以等级间样本数目的最大值、最小值作为采样区间的上、下限，生成多个随机数对各等级样本数据进行欠采样或过采样，增加训练数据的多样性并降低其不平衡程度；然后，训练平衡后的样本数据，建立极端梯度提升(XGBoost)算法子模型，考虑到各子模型重要度的一致性，提出采用硬投票方式集成所有子模型，得到与D5000系统各子模块对应的评价模型；最后，根据该系统指标层级关系，在评价过程中采用并、串行结合的计算方式，构建包含17个RB-XGBoost模型的D5000系统整体健康度评价模型。8组KEEL数据库中多类不平衡数据集的实验结果表明，与现有同类典型方法相比，所提方法的平均分类准确率最高提升了6.79

介绍 这是一个使用keras和mnist数据集的简单图像识别模型。 使用img_saver.py，您可以通过将png文件命名为其预测标签来生成图像。 因此，此模块在我的Express Express节点中使用。 该应用程序可以允许您键入一些随机整数，并在HTML上显示相应的图像。 Python版本 3.6 图书馆 主要依靠keras，numpy，matplotlib 权重和架构 全部保存在model.h5（顺序架构）和model.json（权重）中

稀疏R-CNN：具有可学习建议的端到端对象检测 纸（CVPR 2021） 更新 （02/03/2021）通过使用更强大的主干模型报告了更高的性能。 （23/02/2021）通过使用更强大的预训练模型报告了更高的性能。 （02/12/2020）型号和日志（R101_100pro_3x和R101_300pro_3x）可用。 （26/11/2020）提供了模型和日志（R50_100pro_3x和R50_300pro_3x）。 （26/11/2020）通过将辍学率设置为0.0，报告了稀疏R-CNN的更高性能。 楷模 方法 inf_time train_time 盒式AP 程式库 22 FPS 24小时 45.0 22 FPS 28小时 46.5 13 FPS 50小时 45.7 方法 inf_time train_time 盒式AP 下载 23 FPS 19小时