由于网络问题加载数据集可能加载不成功，下载后解压到C盘中.keras文件中既可使用

基于深度学习的转矩及MTPA点的预测 数据模型和采集的数据在数据库中，可以自行下载 深度模型由tensorflow+keras 搭建，其中模型的架构参考网上的的这个模型是用tensorflow编写的，代码读起来比较复杂，所以用keras进行改编。 推荐一个深度学习的社区 里面的深度学习的详细教程。 代码包括 基于LSTM预测电机转矩 基于CNN预测电机MTPA点 基于CNN的预测电机转矩 基于LSTM预测电机MTPA点

matlab画CNN网络图代码设计或可视化神经网络架构的工具 ：Net2Vis从Keras代码自动为卷积神经网络生成抽象可视化。 ：Visualkeras是一个Python软件包，可帮助可视化Keras（独立或包含在tensorflow中）神经网络体系结构。 它允许轻松的样式来满足大多数需求。 到目前为止，它支持分层样式体系结构生成，这对于CNN（卷积神经网络）和抓取样式体系结构非常有用。 import visualkeras model = ... visualkeras . layered_view ( model ). show () # display using your system viewer visualkeras . layered_view ( model , to_file = 'output.png' ) # write to disk visualkeras . layered_view ( model , to_file = 'output.png' ). show () # write and show visualkeras . layered_vie

tensorflow给出的官方样例，基本的CNN网络解决mnist问题

1. 导入各种模块 基本形式为： import 模块名 from 某个文件 import 某个模块 2. 导入数据（以两类分类问题为例，即numClass = 2） 训练集数据data 可以看到，data是一个四维的ndarray 训练集的标签 3. 将导入的数据转化我keras可以接受的数据格式 keras要求的label格式应该为binary class matrices，所以，需要对输入的label数据进行转化，利用keras提高的to_categorical函数 label = np_utils.to_categorical(label, numClass 此时的label变为了

MASR 中文语音识别 MASR是一个基于端到端的深度神经网络的中文普通话语音识别项目，本项目是基于 进行开发的。本项目已暂停维护，推荐使用识别效果更好的企业级模型 。 模型原理 MASR使用的是门控卷积神经网络（Gated Convolutional Network），网络结构类似于Facebook在2016年提出的Wav2letter，只使用卷积神经网络（CNN）实现的语音识别。但是使用的激活函数不是ReLU或者是HardTanh，而是GLU（门控线性单元）。因此称作门控卷积网络。根据实验结显示，使用GLU的收敛速度比HardTanh要快。 以下用字错误率CER来衡量模型的表现，CER = 编辑距离 / 句子长度，越低越好，大致可以理解为 1 - CER 就是识别准确率。 安装环境 执行requirements.txt安装依赖环境，在安装过程中出现Pyaudio安装错误，可以先执行su

bp网络代码 matlab 这是BP和CNN网络的matlab实现。 这些代码用于简单的人工神经网络。

CNN 深度网络由内置特征提取（展平）层和分类层组成。 通过省略特征提取层（转换层，Relu层，池化层），我们可以将诸如GLCM，LBP，MFCC等特征直接提供给CNN，仅用于单独分类。 这可以通过仅使用全连接层构建 CNN 架构来实现。 这有助于对音频数据进行分类。 http://cs231n.github.io/convolutional-networks/访问此页面以了解有关架构的疑问。 我使用过 C->R->F->F->F 架构

Python+Opencv+CNN+Tensorflow

使用tensorflow keras编写的cnn，代码注释详细。。。。。