猫狗分类 CNN模型，用于用猫或狗对图像进行分类。 用5个“ relu”层和一个“ Sigmoid”层对CNN模型进行训练，以对给定图像包含猫还是狗进行分类。 该模型仅训练了20个纪元，因此准确率达到了75％。 使用自定义学习率将时间段增加到300或更多可以提高模型的准确性。 带有HTML和CSS的flask应用程序提供了一个可工作的Web应用程序界面，用于对图像进行分类。

在工厂和工作场所，有很多情况下，人们可以通过视觉读取仪表值，但越是连续执行，工人的负担就越大，并且可能会发生人为错误。有许多基于规则的图像处理工作，但要创建可在任何环境中使用的稳健算法并不容易。 在此示例代码中，相机获取的仪表值是使用深度学习来预测的。这是自定义用于回归图像判断的训练过的 CNN (AlexNet) 并将仪表值（连续值）应用于读数的示例。 AlexNet 的训练网络可在此处获得。 https://jp.mathworks.com/matlabcentral/fileexchange/59133-deep-learning-toolbox-model-for-alexnet-network [Keyward]图像处理、计算机视觉、深度学习、机器学习、CNN、IPCV演示、深度学习、机器学习、回归、回归、迁移学习

LSTM自编码器异常检测模型

matlab++显示代码行数 matlab_CNN_kinect 大创项目代码：利用CNN和Kinect进行动作识别 具体文件： 使用get skeleton data 获取骨架线数据，利用train skeleton net进行训练，使用recognition进行识别显示; deepth map是在深度图上绘制骨骼点; vid skeleton是动态显示骨架线; SkeletonView 是绘制骨架线的函数; 文件夹内的get_poin_data是直接得到骨骼点数据，存储并用来训练pb神经网络;

针对煤层底板突水预测问题，在总结现有突水预测方法和理论的基础上，通过特征选择实验得出水压、距工作面距离、砂岩段厚度、煤层厚度、煤层倾角、断层落差、是否裂隙带、开采面积、采高、走向长度是影响突水发生的主要因素，这些因素具有复杂、非线性的特点。提出基于长短时记忆(LSTM)神经网络构建的突水预测模型，将煤矿突水实例的数据作为样本数据对模型进行训练。最后，将LSTM神经网络模型与遗传算法–反向传播(GA-BP)神经网络模型和反向传播(BP)神经网络模型进行对比实验。实验结果表明，LSTM神经网络模型在测试集上的预测正确率更高，稳定性更好，更加适用于煤层底板突水预测。

Python基于CNN的图像分类系统源码.zip

以某地铁站系统的用户客流量数据为基础，补充研究当日包含的天气因素等数据，完成基于地铁出行平常日(不包含节假日)客流量数据的训练，实现对地铁站点的客流进行分析和预测。 通过 2019 年某地铁站的日客流量数据以及，每日天气因素的数据，进行相关数据处理之后，将数据分割 8:2 对应训练集及测试集，选择神经网络模型对训练集数据进行训练，并对测试集数据进行预测和可视化输出。 包含技术 本项目用到的主要技术包括： 数据科学：numpy，pandas 画图：matplotlib，seaborn 数据建模：sklearn 神经网络模型：LSTM

import numpy import numpy as np import pandas as pd import matplotlib.pyplot as plt import statsmodels.api as sm from statsmodels.tsa.arima_model import ARIMA from statsmodels.graphics.tsaplots import plot_acf from statsmodels.graphics.tsaplots import plot_pacf from statsmodels.tsa.seasonal import seasonal_decompose sp500_2013_2018 = pd.read_csv('sp500_data/SP500.csv') print(sp500_2013_2018.head())

训练 1.处理train 数据集 python3 ./utils/make_data.py 2.训练网络 python3 train.py 测试 1.加载模型，将训练好的模型放入./model/中 2.向test_img_list中添加需要测试的图片列表 test_img_list = ['/home/tony/ocr/test_data/00023.jpg'] 3.运行模型 python3 test_crnn.py

介绍完LSTM算法的原理之后，自然要了解如何训练LSTM网络。与前馈神经网络类似，LSTM网络的训练同样采用的是误差的反向传播算法（BP），不过因为LSTM处理