python毕业设计基于深度学习卷积神经网络的网站验证码识别研究与实现项目源码+全部数据.zip这是本科毕业设计的课题，“基于深度学习的网站验证码识别研究与实现”。主要是利用卷积神经网络，基于TensorFlow平台，构建了三层卷积两层全联接模型，训练出的一个准确率为91.3%的识别模型。再基于Django构建登陆系统，使用selenium实现自动测试，完成验证码从识别到自动登录的全过程。 python毕业设计基于深度学习卷积神经网络的网站验证码识别研究与实现项目源码+全部数据.zip这是本科毕业设计的课题，“基于深度学习的网站验证码识别研究与实现”。主要是利用卷积神经网络，基于TensorFlow平台，构建了三层卷积两层全联接模型，训练出的一个准确率为91.3%的识别模型。再基于Django构建登陆系统，使用selenium实现自动测试，完成验证码从识别到自动登录的全过程。 基于深度学习卷积神经网络的网站验证码识别研究与实现项目全部数据.zip 基于深度学习卷积神经网络的网站验证码识别研究与实现项目全部数据.zip 基于深度学习卷积神经网络的网站验证码识别研究与实现项目全部数据.zi

基于HLS的高效深度学习卷积神经网络FPGA实现方法项目全部数据.zip本文通过对现有相关研究的分析、总结和改进，给出了一系列在软件层面上如何构建和训练小巧高效且利于硬件加速的网络方法，在FPGA实现时如何减少资源、降低功耗及提高速度的方法，以及在HLS中如何增加设计灵活性、可移植性和可扩展性的方法，具有很好的实用价值。并结合这些方法构建和训练了一个网络，命名为EfficientNet，使用HLS在FPGA上对其进行了推断加速。通过与其他网络和平台的对比，验证了这些方法的有效性。本文的主要工作和贡献如下： 设计实现了一种轻量化的深度学习网络EfficientNet。针对传统网络参数量及计算量大且不利于硬件加速的问题，本文在保证精度的前提下，分析了以深度可分离卷积代替标准卷积、以步进代替池化、以平均池化代替全连接的方法，提出了尺寸不变通道增减交替的方法，并对这些方法进行了集成，从而构建了一个低复杂度的DCNN网络，并命名为EfficientNet。实验结果表明EfficientNet在公开的Flower_photos数据集上的分类精度为89.3%，相比Inception-v3，在参数量

包含训练代码、预测代码、数据划分代码、网络代码等，采用pytorch框架所写。 代码中包含3D卷积神经网络和支持向量机（SVM）、随机森林（RF）、K最邻近（KNN）这三个机器学习算法。可以随意组合为3DCNN-SVM、3DCNN-RF、3DCNN-KNN。代码清晰，便于理解。也可单独训练3DCNN或者机器学习。

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。

Petrographic microfacies classification with deep convolutional

Machine learning for predicting properties of porous media from

Deep convolutional neural networks as an estimator of porosity i

Rock thin sections identification based on improved squeeze-and

Deep convolutional neural networks as a geological image classif

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