训练文件，测试文件

Complex_Convolutional_Neural_Network_Architecture 该存储库进一步体现了我对一些著名的复杂卷积神经网络架构的实现。 这些模型是使用Tensorflow的Keras功能API从零开始开发的，这是一种创建比tf.keras.Sequential API更灵活的模型的方法。 功能性API可以处理具有非线性拓扑的模型，具有共享层的模型以及具有多个输入或输出的模型。 这种架构使神经网络可以学习深度模式（使用深度路径）和简单规则（通过短路径）。 开发型号清单 从分支悬空模型到深度卷积和点卷积的模型已经进行了实验。 我还实现了U-net，这是专门用于生物医学图像分割的独特体系结构。 最后，我制作了一个自定义的复杂模型，并在上进行了训练。 AlexNet-AlexNet是卷积神经网络的名称，它对机器学习领域产生了重大影响，特别是在将深度学习应用于机器视觉

CNN经典网络模型-论文合集【综述】，LeNet AlexNet GoogleNet ResNet CNN

ResNet-18是预先训练的模型，已经在ImageNet数据库的子集上进行了训练。 该模型在超过一百万张图像上进行了训练，可以将图像分为 1000 个对象类别（例如键盘、鼠标、铅笔和许多动物）。 从您的操作系统或在MATLAB中打开resnet18.mlpkginstall文件将启动您所拥有版本的安装过程。 此 mlpkginstall 文件适用于 R2018a 及更高版本。 用法示例： % 访问训练好的模型净 = resnet18(); % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); ％使用ResNet-18对图像进行分类标签 = 分类（净，我） % 显示图像和分类结果数字显示（一）

SENet.mxnet 挤压和激励网络的MXNet实现（ SE-ResNext 18,50,101,152，SE-Resnet，SE-Inception-v4和SE-Inception-Resnet-v2 ） 这是的挤压和激发网络（ SE-ResNext，SE-Resnet，SE-Inception-v4和SE-Inception-Resnet-v2 ）体系结构，如提出的。等al。 他们在SENet中部署了此SE块，并赢得了Imagenet 2017分类任务。 作者的caffe实现可在GitHub的中找到。 这是“挤压和激励”块的图示。 SE-ResNet模块的实现如下： SE-ResNext 50的实现如下表所示： 此MXNet实现。 我还从了。 顺便说一句，我在最后一个FullyConnected层之前添加了一个辍学层。 对于Inception v4，我从引用了MXnet

dlib人脸识别需要的2个文件：dlib_face_recognition_resnet_model_v1和shape_predictor_68_face_landmarks

pytorch-deeplab-xception 于2018/12/06更新。 提供在VOC和SBD数据集上训练的模型。 于2018/11/24更新。 发布最新版本的代码，该代码可以解决一些以前的问题，并增加对新主干和多GPU培训的支持。 有关以前的代码，请参见上previous分支 去做 支持不同的骨干网 支持VOC，SBD，城市景观和COCO数据集 多GPU训练 骨干 火车/评估系统 价值 预训练模型 ResNet 16/16 78.43％ 移动网 16/16 70.81％ DRN 16/16 78.87％ 介绍 这是的PyTorch（0.4.1）实现。 它可以使用Modified Aligned Xception和ResNet作为主干。 目前，我们使用Pascal VOC 2012，SBD和Cityscapes数据集训练DeepLab V3 Plus。 安装 该代

行业分类-物理装置-一种基于D-Resnet的高光谱中医舌苔舌质分类方法.zip

PyTorch-SE-ResNet SE-ResNet PyTorch版本 我将其用于Place365和Challenge AI场景分类。 实作网 SE-ResNet（50、101、152） SE-ResNeXt（50、101、152） 其他框架可以很容易地实现来修改model/model.py 。 Caffe源代码在 引文 如果您在研究中使用挤压和激发网络，请引用以下文章： @article{hu2017, title={Squeeze-and-Excitation Networks}, author={Jie Hu and Li Shen and Gang Sun}, journal={arXiv preprint arXiv:1709.01507}, year={2017} }

用预训练好的神经网络提取图片特征