用CNN做电能质量分类

这是一个关于卷积神经网络的基础入门学习PPT，适合初学者，已经汇报讲解者。

这是一个关于深度学习（CNN+RNN+LSTM）等的基础知识学习课件。

这是一个可以用于训练人工智能中的CNN或者RNN等卷积神经网络结构的数据集（熊猫数据集，均为照片格式，.jpg结尾）

卷积神经网络 表情和性别分类 CNN for Emotion and Gender Classification

Coherently demodulated orbital angular momentum shift keying system using a CNN-based image identifier as demodulator

欢迎来到我的Apple图片分类项目 在这个项目中，我探索了如何使用CNN和转移学习来建立图像分类器。 数据集包含从Google Image的“ iPhone”，“ iPad”和“ Macbook”的最高搜索结果中抓取的1500张图像。 完整的数据集可以在这里下载： : 。 目的是尝试创建图像分类器，以区分3种最主流的Apple产品-iPhone，iPad和Macbook。 从表面上看，它们可能会彼此混淆（没有缺口的旧版iPhone设计可能会误认为iPad，而带有键盘的新版iPad可能会误认为Macbook）。 虽然我们可以轻松区分它们，但我们可以教一个深度学习模型来做到这一点吗？ 哪种方法可以使我们获得最高的准确性？ 这些是将在本项目中回答的问题。 档案说明 该存储库中只有4个文件（自述文件和需求文件除外）。 该笔记本是一款Jupyter笔记本，可以在Google Colab（带有

BFV&CNN-python文件

RNN和Temporal-ConvNet进行活动识别 ，（等额缴纳） 论文代码： （在杂志上接受，2019年） 项目： 抽象的 在这项工作中，我们使用ResNet-101演示了一个强大的基线两流ConvNet。 我们使用此基线来彻底检查RNN和Temporal-ConvNets的使用，以提取时空信息。 基于我们的实验结果，然后我们提出并研究了两个不同的网络，以进一步整合时空信息：1）时域RNN和2）初始样式的Temporal-ConvNet。 我们的分析确定了每种方法的特定局限性，这些局限性可能构成未来工作的基础。 我们在UCF101和HMDB51数据集上的实验结果分别达到了94.1％和69.0％的最新性能，而无需大量的时间增强。 我们如何解决活动识别问题？ 演示版 GIF展示了我们的TS-LSTM和“时间-开始”方法的前3个预测结果。 顶部的文本是基本事实，三个文本是每种方法的预

训练CNN分类模型-pokemon 任务： 1.尝试修改模型，加入归-化层，DropOut层 2.尝试可视化每层的输出内容 3.尝试收集新的分类数据集来体验训练过程 4.记得提交docx,或pdf文件