基于卷积神经网络的轴承故障诊断算法模型研究源代码。 main为wdcnn卷积神经网络主文件，运行它就可以 preprocess为预处理文件，主要实现制作数据集的功能 日志文件保存在logs里面，通过启动tensorboard查看 wdcnn.png为卷积神经网络的结构图像 基于卷积神经网络的轴承故障诊断算法模型研究源代码。 main为wdcnn卷积神经网络主文件，运行它就可以 preprocess为预处理文件，主要实现制作数据集的功能 日志文件保存在logs里面，通过启动tensorboard查看 wdcnn.png为卷积神经网络的结构图像 基于卷积神经网络的轴承故障诊断算法模型研究源代码。 main为wdcnn卷积神经网络主文件，运行它就可以 preprocess为预处理文件，主要实现制作数据集的功能 日志文件保存在logs里面，通过启动tensorboard查看 wdcnn.png为卷积神经网络的结构图像

本代码利用MATLAB自建5层CNN模型完成手写数字字体识别，全套代码 100%可用。

本代码利用自建5层CNN模型预测手写数字字体倾斜角度问题，全套代码100%可用。

本文来自于个人微博，本文介绍基于regionproposal的R-CNN系列目标检测方法是当前目标检测技术领域最主要的一个分支。objectdetection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。objectdetection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。objectdetection技术的演进：RCNN->SppNET->Fast-RCNN->Faster-RCNN这里有一个图像任务：既要把图中的

上下文R-CNN 在对象检测库的顶部，。 此实现利用了Detectron2开箱即用的许多功能：多种主干架构选项（例如C4，FPN），使用COCO文件轻松设置，轻松进行分布式培训，Tensorboard日志记录，Pytorch本机混合精度培训等。 环境设定 在开发过程中使用了Detectron2 0.3，Pytorch 1.6和CUDA 10.1。 欢迎使用PR处理新版本的PR，尤其是Detectron2。 对于绝对有效的环境- conda create -n contextrcnn python=3.7 conda activate contextrcnn pip install -r requirements.txt -f \ https://dl.fbaipublicfiles.com/detectron2/wheels/cu101/torch1.6/index.html

1.领域：FPGA，CNN卷积神经网络 2.内容：题目，vivado2019.2平台中通过verilog实现CNN卷积神经网络包括卷积层,最大化池化层以及ReLU激活层+操作视频 3.用处：用于CNN卷积神经网络算法编程学习 4.指向人群：本科，硕士，博士等教研使用 5.运行注意事项： 使用vivado2019.2或者更高版本测试，用软件打开FPGA工程，然后参考提供的操作录像视频跟着操作。 工程路径必须是英文，不能中文。

1.领域：matlab，语音MFCC特征提取，CNN深度学习训练实现语音识别 2.内容：语音MFCC特征提取并通过CNN深度学习训练实现语音识别+matlab操作视频 3.用处：用于语音MFCC特征提取，CNN深度学习训练实现语音识别算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

1.领域：matlab，CNN卷积神经网络，代码中提供了转化后的mat格式,matlab可以直接读取的MNIST标准数据库 2.内容：通过MATLAB编程实现基于CNN卷积神经网络的手写数字识别算法,数据库为MNIST标准数据库+matlab操作视频 3.用处：用于CNN卷积神经网络编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

大量车牌车市图片，车牌种类各种，颜色若干，从网上收集，感谢

猫狗识别应用 本项目为Udacity机器学习课程毕业项目。 该项目关键难点在于： 开题报告以及论文的编写 图像原始数据的处理（异常检测、数据增强、图像尺寸标准化） 基于多个成熟CNN模型的模型融合 分类器的训练 对预测值的处理 目录结构说明 ├── app # 应用部署包 │ ├── model # 预训练CNN模型 │ ├── static # 静态资源文件 │ ├── templates # App网页入口 │ ├── cnn_model.py # 融合模型 │ └── webapp.py # 前端控制器 │ └── submission # 项目过程文档 如何运行 安装Anaconda,Tensorflow与Keras 具体安装方法请自行百度。 创建运行环境 $ conda create -n py36 python=3.6 切换运行环境