颜色分类leetcode 眼网 用深度学习检测糖尿病视网膜病变 客观的 糖尿病视网膜病变是发达国家工作年龄人口失明的主要原因。 据估计，这种情况会影响超过 9300 万人。 人们早就认识到需要一种全面和自动化的糖尿病视网膜病变筛查方法，并且之前的努力在使用图像分类、模式识别和机器学习方面取得了良好进展。 以眼睛的照片作为输入，这个顶点的目标是创建一个新模型，理想地产生现实的临床潜力。 这个项目的动机有两个： 除了对大规模数据集进行分类之外，图像分类多年来一直是个人兴趣。 在患者进行眼睛扫描（如下所示）、让医生分析他们的图像以及安排后续预约之间，时间会浪费掉。 通过实时处理图像，EyeNet 将允许人们在同一天寻求和安排治疗。 目录 数据 数据来源于 . 然而，是一个非典型的 Kaggle 数据集。 在大多数 Kaggle 比赛中，数据已经被清理干净，数据科学家几乎不需要预处理。 有了这个数据集，情况就不是这样了。 所有图像都是由不同的人、使用不同的相机和不同的尺寸拍摄的。 与该部分有关，此数据非常嘈杂，需要多个预处理步骤才能将所有图像转换为可用的格式来训练模型。 训练数据由 35,12

固有频率与故障距离之间存在数学关系，故障行波暂态能量在固有频率附近较集中，其暂态能量包含丰富的故障距离信息。利用人工神经网络（ANN）的非线性函数逼近拟合能力，建立直流输电线路故障定位的ANN模型。利用小波变换的等距特性提取单端线模电压7尺度的小波能量，并将其作为样本属性对神经网络进行训练、测试。所提方法将不易提取的固有频率点特征转化为容易提取的频带特征，提高了测距的可靠性。数字实验结果表明，所提方法在不同过渡电阻和不同故障距离下均能准确测距。

BUET CSE 472机器学习最终项目 利用卷积神经网络识别和识别水稻病虫害 该项目现在已有3年以上的历史了，尽管我是撰写此项目的人，但我对代码的工作方式一无所知。 我什至不知道它是否有效。 我以为我已经丢失了这个项目，但是几分钟前在我的Google云端硬盘中找到了它。 所以现在我将其上传到Git Hub仅仅是因为我的烦恼无法把它们扔掉，保留了一切性质（也许让我的简历看起来更好吗？）。 这项工作已在一流的期刊上发表（ ）。 我确实设计了实验，编写了此代码库，并报告了结果，但是我对编写手稿或提交稿件一无所知。 有关详细信息，请询问Rafeed或Arko。

基于CNN卷积神经网络识别mnist手写数据集所有源码，包括误差反向传播实现的各种层以及加载mnist数据集的方法

用于识别花卉分类的AI应用程序 图像分类器使用卷积神经网络识别不同种类的花朵。 展望未来，人工智能算法将被整合到越来越多的日常应用中。 例如，您可能想在智能手机应用程序中包含图像分类器。 为此，您将使用在数十万张图像上训练的深度学习模型，作为整个应用程序体系结构的一部分。 将来，软件开发中的很大一部分将使用这些类型的模型作为应用程序的通用部分。 在这个项目中，我们将训练一个图像分类器来识别不同种类的花。 您可以想象在电话应用程序中使用类似的内容，该名称可以告诉您相机正在查看的花朵的名称。 实际上，我们将训练该分类器，然后将其导出以用于我们的应用程序。 我们将使用包含102种花卉类别的，您可以在下面看到一些示例。 我们在这里需要做的主要事情是： 加载并预处理图像数据集 在数据集上训练图像分类器 使用训练有素的分类器来预测图像内容 所有这些任务最初都在jupyter笔记本中涵盖。 除了

DogProject:使用Pytorch和卷积神经网络识别狗的品种的项目

针对卷积神经网络(CNN)在通用CPU以及GPU平台上推断速度慢、功耗大的问题，采用FPGA平台设计了并行化的卷积神经网络推断系统。通过运算资源重用、并行处理数据和流水线设计，并利用全连接层的稀疏性设计稀疏矩阵乘法器，大大提高运算速度，减少资源的使用。系统测试使用ORL人脸数据库，实验结果表明，在100 MHz工作频率下，模型推断性能分别是CPU的10.24倍，是GPU的3.08倍，是基准版本的1.56倍，而功率还不到2 W。最终在模型压缩了4倍的情况下，系统识别准确率为95%。

NIST提供的是28 * 28的图片，因此输入层是754维的向量。隐层输出层为10维向量 公式定义： 输出层：01 ... 01 隐层：Y1 ... YN 输入层：X1 ... XM 输入层与隐层间的权值$ V_ {ij} $ 隐层与输出层之间的权值$ W_ {jk} $ 使用函数$ F（X）= \压裂{1} {1个+ E ^ { - X}} $ 准确值D1 ... DL 学习率ETA 隐层与输出层间误差$ \ delta ^ o_k =（d_k - O_k）O_k（1-O_k）$ 输入层与隐层间误差$ \ delta ^ y_j =（\ sum ^ {l} {k = 1} \ delta ^ o_kW {jk}）y_j（1-y_j）$ 误差反传时$ \ Delta W_ {jk} = \ eta（d_k-O_k）O_k（1-O_k）* y_j $ $ \ Delta V_ {ij} = \ eta（\ sum ^ {l} {k = 1} \ delta ^ o_kW {jk}）y_j（1-y_j）X_i $ 每次计算时先从输入层计算到输出层，然后算出三层间的两个误差，然后更新网络间的权值

在信息话识，把图片识别成文字或者字符，代替人工处理，是现在大家都在进行的研究，本程序通过神经网络把图片的文字转换为可以使用的文字，实现了文字的识别。

提出一种识别灰度图像中交叉点的神经网络方法。用自组织特征映射网络和BP网络组成多分类器，识别图像中的二交叉点、三交叉点和四交叉点。在加入8%的干扰时，仍能达到85%左右的识别率。