简介：该垃圾分类项目主要在于对各种垃圾进行所属归类，本次项目采用keras深度学习框架搭建卷积神经网络模型实现图像分类，最终移植在树莓派上进行实时视频流的垃圾识别。
前期：主要考虑PC端性能，并尽可能优化模型大小，训练可采用GPU，但调用模型测试的时候用CPU运行，测试帧率和准确性（测试10张左右图像的运行时间取平均值或实时视频流的帧率）。
后期：部署在树莓派端，在本地进行USB摄像头实时视频流的垃圾分类（归类）。
框架语言： keras+python。
PC端：
Keras: 2.2.0
Opencv: 3.4
Python: 3.6
Numpy:1.16
2023-03-26 19:11:03
4.17MB
1
pytorch图注意网络
这是Veličković等人提出的图注意力网络（GAT）模型的火炬实施。 （2017， ）。
回购协议最初是从分叉的。 有关GAT（Tensorflow）的官方存储库，请访问 。 因此，如果您在研究中利用pyGAT模型，请引用以下内容：
@article{
velickovic2018graph,
title="{Graph Attention Networks}",
author={Veli{\v{c}}kovi{\'{c}}, Petar and Cucurull, Guillem and Casanova, Arantxa and Romero, Adriana and Li{\`{o}}, Pietro and Bengio, Yoshua},
journal={International Conference on Learning
2023-03-20 09:31:45
189KB
1
训练模型主要分为五个模块：启动器、自定义数据加载器、网络模型、学习率/损失率调整以及训练可视化。
2023-02-10 11:14:52
21KB
1
网络基础OSI网络模型教程OSI七层参考模型高级网络技术-OSI_Model资料（9个）：
OSI_model.doc
OSI七层参考模型内部教材V2[1].2(华三通信).ppt
OSI七层模型基础知识及各层常见应用.doc
OSI参考模型.ppt
不再困惑_互联网OSI七层模型全解析.pdf
互联网OSI七层模型全解析.doc
网络基础与OSI参考模型培训(华为).ppt
高级网络技术-OSI_Model(思科教材).ppt
2023-01-03 13:18:45
24.03MB
基于串联排队网络理论,将同时承载M2M（Machine to machine）业务和H2H（Hu-man to human）业务的通信网络建模为离散时间会话级串联排队网络,研究了海量M2M小数据业务对H2H业务的影响。在生成函数域提出了服务等效方法,把网络对M2M业务的服务映射到网络对H2H业务的服务时间分布中,得到了实际服务过程的等效表达式,解决了混合业务到达、异构服务给串联排队网络的离去过程分析带来的求解困难的问题。求解了串联排队系统,得到了M2M业务到达率、服务速率与H2H业务端到端性能指标的关系,讨论了M2M业务准入控制方法。
2023-01-02 03:09:19
552KB
1
车流量建模是车联网（vehicular Ad Hoc network，VANET）路由、多媒体接入协议、无线算法设计的基础。准确的车流量模型将对智能交通系统（intelligent transportation system，ITS）实时调度和车联网的信息安全起到十分重要的作用。基于上海市的交通流量数据，利用自回归（auto regressive，AR）模型与神经（back-propagation，BP）网络模型对车流量实测数据进行了仿真对比，给出了相应的预测结果。研究发现，两个模型均能有效地对数据进行跟踪与预测，但对不同时段数据预测的准确性有所不同。研究结果将为未来智能交通应用、车联网的理论研究等提供有力依据。
2022-12-27 07:26:11
1.03MB
1
统计学期末课程作业_python自定义实现CNN_KNN_NN_SVM网络模型源码+说明文件.zip
【CNN实现】
cnn1.py: LeNet+ReLU;
cnn2.py: 在cnn1的基础上加宽全连接层;
cnn3.py: 在cnn2的基础上修改卷积核;
cnn4.py: 在cnn3的基础上修改卷积核;
cnn5.py: 在cnn4的基础上加宽全连接层;
cnn6.py: 在cnn3的基础上加宽全连接层;
cnn7.py: 在cnn6的基础上加宽全连接层;
cnn8.py: 在cnn6的基础上加入Dropout层;
等等
【KNN实现】
knn.py: 标准KNN,k=1,3,5,7,9;
【NN实现】
nn1.py: 784-800-15 (修改激活函数);
nn2.py: 784-2500-2000-1500-1000-500-15 (修改激活函数);
nn3.py: 在nn2的基础上修改数据预处理方式;
【SVM】
svm.py: 核函数(linear,rbf,poly,sigmoid);
另包含【运行指南】和【最终选择模型】
2022-12-14 16:26:40
509.6MB
基于Pytorch框架自定义7层卷积神经网络模型实现垃圾分类系统源码+数据集+项目说明（人工智能期末作业）.zip
垃圾分类
实验要求：
利用深度学习模型完成垃圾分类
图片数据集来源：https://momodel.cn/explore/5d411ace1afd9427c236eab5?type=dataset
Result：
使用 PyTorch 自定义 7 层卷积神经网络加 2 层全连接层的分类模型
2022-12-13 20:28:05
27KB