基于GAN和多通道CNN的电力系统暂态稳定评估_时纯.pdf

植物病害分类 使用图像数据和神经网络对植物病害进行分类 该存储库包含用于训练几个深度卷积神经网络（CNN）的代码和相关分析，以识别14种作物物种和26种疾病。 使用在受控条件下收集并由PlantVillage项目提供的54306张患病和健康植物叶片图像的公共数据集对模型进行了训练。 评估了三种不同的方法来提高Mohanty等人报告的基线准确性。 在研究论文“将深度学习用于基于图像的植物病害检测”中，其中CNN模型也用于使用相同的数据集对植物病害进行分类。 研究的三种方法是“转移学习”，“单图像超分辨率”和“层次结构超类学习”，所有这些方法都集中于此数据集或图像分类问题所特有的特定组件。 项目组织 ├── LICENSE ├── Makefile <- Makefile with commands like `make data` or `make train` ├─

同态加密，密文实现ResNet18推理

【信号识别】基于matlab深度学习CNN信号调制分类【含Matlab源码 2066期】.mp4

里面包含验证码生成程序和识别程序，是入门CNN的简单实用的例子，有介绍见https://blog.csdn.net/qq_32791307/article/details/82262051

The best place to start is with the user-friendly Keras sequential API. Build models by plugging together building blocks. After these tutorials, read the Keras guide. The Keras functional and subclassing APIs provide a define-by-run interface for customization and advanced research. Build your model, then write the forward and backward pass. Create custom layers, activations, and training loops.

Convolutional Neural Network (CNN) This tutorial demonstrates training a simple Convolutional Neural Network (CNN) to classify CIFAR images. Because this tutorial uses the Keras Sequential API, creating and training your model will take just a few lines of code.

卷积神经网络根据人脸图像进行性别识别

神经网络可视化工具，显示网络结构，以及各层的属性。 支持onnx, tensorflow, pytorch。 对学习和研究神经网络有帮助。

cnn卷积神经网络