自己的故障诊断课程设计，安装环境： tensorflow1.7 cpu版 用gpu会报内存不够错误 keras==2.2.4 数据集：CWRU数据集 西储大学轴承数据集 已附带处理好的数据集 包含CNN预测程序，已在本机使用。 直接可以使用，无bug版本。

CoronaHack--胸部X射线 该项目基于深度学习中的人工神经网络。 该项目的目的是预测该人是否受到冠状病毒的感染。 该预测是基于对人体的胸部X射线分析而得出的。 数据集： ://www.kaggle.com/praveengovi/coronahack-chest-xraydataset电晕-COVID19病毒影响健康个体的呼吸系统和胸部X射线是识别电晕病毒的重要成像方法之一。 使用Chest X-Ray数据集，开发一个机器学习模型以对健康与肺炎（Corona）受影响的患者的X射线进行分类，并且该模型为AI应用程序提供了动力，使其可以更快地测试Corona病毒。 健康与肺炎（Corona）感染患者的X射线胸部胸部感染患者以及其他几类疾病，例如SARS（严重急性呼吸道综合症），链球菌和ARDS（急性呼吸窘迫综合症） 图像名称和标签可在ChestXrayCorona_Metad

大创项目——《基于深度学习的外汇汇率预测和交易策略的研究》：包含中期答辩与结题答辩的全部内容

本系统目的是使模糊的人脸图片变清晰, 核心问题是去模糊，与图像超分辨率和图像修复问题不同。图像超分低分辨率图像与高分辨率图像本身差别不大，只有细微的极小局部的差别，而图像修复则是图像中缺失一部分，需要复原成原图，除去缺失部分其余部分和原图一模一样。总之，模糊图像增强是一个全局的图像超分问题和局部的图像修复的结合问题，核心是图像去模糊。

基于深度学习字符型图片数字验证码识别完整过程及Python实现（深度学习学习、实现数字、字符模型训练、详细介绍附源码） 基于深度学习字符型图片数字验证码识别完整过程及Python实现（深度学习学习、实现数字、字符模型训练、详细介绍附源码） 基于深度学习字符型图片数字验证码识别完整过程及Python实现（深度学习学习、实现数字、字符模型训练、详细介绍附源码） 基于深度学习字符型图片数字验证码识别完整过程及Python实现（深度学习学习、实现数字、字符模型训练、详细介绍附源码） 基于深度学习字符型图片数字验证码识别完整过程及Python实现（深度学习学习、实现数字、字符模型训练、详细介绍附源码）

一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去除马赛克，让更多遭受审查的艺术作品得以重见天日。 一款基于深度学习的工具，通过使用深度神经网络去

本文主要介绍了基于深度学习的感知-从算法到嵌入式实现

主要研究的是生成式聊天机器人，这种方式区别于检索式的聊天机器人，使得聊天机器人的迁移性与泛化性更佳。具有非常广阔的应用场景。本文首先对生成式聊天机器人领域主流框架进行实验，在此基础上加入attention注意力模型机制来提高生成效果，为了避免大量的无意义的安全回复，又采用强化学习评估对话的未来奖励，保证对话的自然流畅

资源包括：论文，代码以及数据！【均为原创】 实现多种对Cifar-10数据集的分类器，并比较其算法精度。要求基于PyTorch设计并实现以下三种分类器，并利用Cifar-10的测试集评估各分类器的性能：线性回归分类器；全连接人工神经网络分类器；卷积神经网络分类器。后两种分类器的超参数由自由选择，不要雷同。报告要求如下： 问题定义：Cifar-10数据集和分类问题的定义，对求解问题进行建模。 算法设计：介绍三种分类器的设计细节。 实验结果：对三种分类器的性能，以及超参数的选择进行评估。 字数要求：不少于2500字（不得包含任何程序代码）

基于深度学习的目标检测框架介绍.ppt 普通的深度学习算法主要是用来做分类，如图(1)所示，分类的目标是要识别出图中所示是一只猫。 目标定位是不仅仅要识别出来是什么物体（即分类），而且还要预测物体的位置，位置一般用边框（bounding box）标记，如图(2)所示。 目标检测实质是多目标的定位，即要在图片中定位多个目标物体，包括分类和定位。比如对图(3)进行目标检测，得到的结果是好几只不同动物，他们的位置如图(3)中不同颜色的框所示。 PASCAL VOC : pattern analysis , statistical modelling and computational learning visual object classes. 在计算视觉的领域中，Pascal VOC Challenge 就好比是数学中的哥德巴赫猜想一样。每年，该组织都会提 供一系列类别的、带标签的图片，挑战者通过设计各种精妙的算法，仅根据分析图片内容来将其分类，最终通 过准确率、召回率、效率来一决高下。