GoogLeNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，pytorch上可运行

AlexNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，可运行

VGGNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，可运行

LeNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，可运行

卷积神经网络第三周作业， - keras==2.0.3 - tensorflow==1.2.1 -h5py==2.7.0环境下亲测可以运行

多视图深度卷积神经网络进行高分辨率乳腺癌筛查 介绍 这是用于分类的模型的实现，如我们的论文。 该实现使用户可以通过将我们的预训练CNN模型应用于具有四个视图的标准筛查乳房X线检查中来获得BI-RADS预测。 作为此存储库的一部分，我们提供了一个示例考试（在images目录中）。 该模型在TensorFlow和PyTorch中均实现。 先决条件 巨蟒（3.6） TensorFlow（1.5.0）或PyTorch（0.4.0） NumPy（1.14.3） 科学（1.0.0） 枕头（5.1.0） 数据 要使用预训练模型，输入必须包含四张图像，每个视图一个（L-CC，L-MLO，R-CC，R-MLO）。 每个图像的大小必须为2600x2000像素。 提供的样本检查中的图像已经被裁剪为正确的尺寸。 如何运行代码 可用选项位于文件birads_prediction_tf.py或birads_p

慢性肺疾病 使用卷积神经网络对肺部疾病进行分类

tflearn训练的猫狗识别模型，文章中已经处理好的.npy文件可直接进行搭建后使用。

资源包含文件：设计报告word+项目源码+文献资料等 Python 实现LSB算法进行信息隐藏 包含空域与变换域 JPEG信息隐藏算法 对PDF文件进行信息隐藏 基于卷积神经网络的隐写分析 Matlab SRM、SCA隐写分析。 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/125618949

在本文中，我们提出了一个动态调度来调整正则化强度，以适应各种网络架构和训练过程。我们的动态正则化是根据训练损失的变化自适应的。对于轻网络架构，它产生低正则化强度，而对于重网络架构，产生高正则化强度。此外，强度是自定步长增长的，以避免过拟合。实验结果表明，所提出的动态正则化方法优于现有的ShakeDrop、Shake-Shake和DropBlock正则化方法。未来，我们将研究动态正则化在数据增强和基于退出的方法中的潜力。