机器学习大作业线性回归模型和卷积模型识别数字手写体.zip使用TensorFlow技术和Flask框架相结合，采用MNIST数据集作为数据，通过前端HTML和jQuery框架，利用canvas画布将用户在屏幕上的手写文字传入到后台Flask的Restful API中，然后flask通过调取模型接口，把数据传入模型中进行手写体识别，形成一个完整的闭环。本文使用两种方法训练数据，线性和卷积的方法，并将结果进行对比。训练结果较为理想，可以有效识别出手写数字，并得到较好的准确率。 本次MNIST手写数字识别首先使用MNIST来导入数据，建立模型，建立了线性模型和卷积模型。再通过调取模型，进行训练，建立训练模型，保存参数模型，得到训练模型。通过前端请求，加载模型，进行调用。完成数据传入，训练，打包，调用。可以作为基础，可以通过相关数据集训练进行更多图像分类。

维特比译码器使用维特比译码算法采用卷积码进行编码的比特流解码。还有其他算法译码卷积编码的流 （例如，Fano 算法）。维特比译码算法是最耗费资源的但它的最大似然解码。这最常用的约束长度 k 的卷积码译码 = 10，但值 k = 15 都在实践中使用

1.领域：matlab，huffman+卷积联合编译码算法 2.内容：数字通信matlab仿真,调制ASK和PSK,编译码为huffman+卷积联合编码,译码为huffman+viterbi联合译码 3.用处：用于huffman+卷积联合编译码算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

图像数据集噪声对卷积网络分类的影响，张雨露，帅立国，在图像分类任务中准备数据集时，数据噪声的干扰会对后续的分类模型产生不利影响，噪声越严重就越难以得到合理的分类模型。为了评

由时域与频域的关系可知，两序列 和 在时域下进行线性卷积的结果等于这两个序列在频域下相乘后进行反变换回时域的结果。圆周卷积在一定条件下（L>M+N-1）与线性卷积得到的结果相同，而圆周卷积可在频域下利用DFT求得，从而可采用DFT的快速算法FFT来计算，这样就可以利用FFT来计算线性卷积，大大提高运算效率。而在利用FFT来计算圆周卷积的过程中当两序列的长度相差较大时采用重叠相加法来进行计算可有效提高计算的效率，减小存储空间的消耗。

联合面检测与对准 使用多任务级联卷积网络的Caffe和Python实现联合人脸检测和对齐。 建立 设置环境并将C ++层代码复制到Caffe的源代码树。 $ export PYTHONPATH=/path/to/Joint-Face-Detection-and-Alignment:$PYTHONPATH $ export CAFFE_HOME=/path/to/caffe $ sh layers/copy.sh 按照其文档编译Caffe。 准备数据 下载数据集 ， 和 。 将它们放在如下所示的数据目录中。 data ├── CelebA │   └── img_celeba ├── fddb │ ├── FDDB-folds │ ├── images │ │   ├── 2002 │ │   └── 2003 │ └── result │ └── images └── WIDER ├── wider_face_split ├── WIDER_test ├── WIDER_train └── WIDER_val 我已经编

本资源源项目为PlotNeuralNet，我在使用源代码过程中遇到了一些问题，并且出于自己的需求进行了一些改进，修改后的代码可以在Windows系统下成功运行，可以绘制非正方形的网络结构图，且在我看来绘制结果更加美观。 资源适用于对展示卷积神经网络具体结构有需求的研究人员，用户在下载本项目后按照README官方教程中的Getting Started部分进行使用，简单学习过语法后便可以通过test_simple.py代码绘制自己的卷积神经网络结构并在同路径下生成PDF文件，官方还提供了LeNet, UNet等经典卷积神经网络的代码，用户可直接进行使用。

深度学习+CNN卷积神经网络+剪刀石头布手势识别 我的博客卷积神经网络之剪刀石头布手势识别所用到的数据集 包含训练样本集rps.zip 和 测试样本集rps-test-set.zip 有需要的朋友自取！！！

用卷积滤波器matlab代码DBSRCNN 对超分辨率卷积神经网络进行去模糊处理。 DBSRCNN网络 DBSRCNN-Keras 此代码用于处理模糊的低分辨率图像，以获得去模糊的高残留图像。 如果此代码对您有帮助，请引用本文：使用深度卷积神经网络进行图像去模糊和超分辨率，F.Albluwi，V.Krylov和R.Dahyot，IEEE信号处理机器学习国际研讨会（MLSP 2018） ，2018年9月，丹麦奥尔堡，丹麦。 依存关系 的Python 3.6.5 TensorFlow 1.1.0。 Keras 2.2.2。 Matlab。 Matconvnet。 产生资料 通过高斯滤波器（imgaussfilt）在不同级别（sigma = 1、2、3和4）上模糊图像。 使用放大系数= 3使用“双三次”功能调整图像大小，最近发表的论文通常使用Matlab生成低分辨率图像。 与SRCNN网络进行公平比较； 使用了训练集Yang91。 训练 使用matlab生成训练补丁：运行generate_train.m和generate_test.m。 使用带有TensorFlow（tf）的Keras作为后

captchas_extract_recongnize 4位字母数字混合的验证码识别（可以扩展识别位数）