练集的h5文件、测试集h5文件

建议使用 jupyter notebook 打开： 包含从数据预处理、数据增强、数据集生成、模型搭建、训练、到可视化、保存模型的常见编程模板，包含 TensorFlow、PyTorch 框架。 适合人群：从事深度学习、计算机视觉的初学者（1-3年）

深度学习神经网络训练问题解决和经验指南

原先资源删除，这个是更新版本。 MATLAB 神经网络数据预测建模、网络训练代码自写，替代MATLAB的"train"函数、含有数据、解释详细，采用matlab的CODER指令可转化C/C++源码，用于工业控制优化等。

Yolov5-6.1版本深度学习网络训练源码

cnn.pth 卷积神经网络训练模型 73%

cnn.pth 卷积神经网络训练模型二 66%

(1) 数据通信与存储功能 高清卡口应用软件可以完整、 正确地接收高清卡口标识点设备的状态及识别 结果数据与抓拍车辆照片， 在路段中心数据库进行存储、统计和管理，并按照统 一的数据通信、 存储规范与高清卡口管理软件进行数据通信， 具体规范与要求满 足“7.3高清卡口应用软件与管理软件的接口技术要求” 。数据传输内容主要包括： ①车牌和车辆特征信息：时间、地点、方向、车道、车型（大、中、小） 、 速度、车牌颜色及车牌号码、车身颜色、车徽标志等基本信息。 ②高清抓拍图片：叠加相应数据。 ③车流量统计数据：可分车道、分方向、分时段、分车流进行车流量统计。 ④高清监控视频录像： 高清网络摄像机可提供 1080P的高清晰全景录像， 并 实时上传至路段中心的网络硬盘录像机进行存储。 ⑤设备实时状态监控：实现高清卡口标识点设备的实时监控与远程维护管 理。 ⑥违法占道车辆信息： 抓拍大车（黄牌车）违法占道图片并自动识别车牌号。 ⑦在通讯正常的情况下， 数据信息实时传送到路段中心服务器， 在网络或路 段中心设备出现故障等非正常情况下， 系统应将数据保存在高清卡口标识点设备 中，故障解除后自动恢复断点数据续传，或可采用人工方式下载数据。 (2) 设备状态监控与管理功能 通过远程管理， 实现对本路段高清卡口外场设备管理、控制、故障诊断等相 关配置功能，并实现对前端设备状态实时监控功能。 ①系统提供设备编号、设备时钟、设备运行状态监测设置等设备参数配置， —23—

BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。 BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。 1．网络状态初始化 2．前向计算过程

深度学习与CV教程(6) - 神经网络训练技巧 (上).doc