【Python项目实战】基于时间卷积网络(Temporal Convolution Network ,TCN)的发动机剩余寿命预测 航空发动机结构复杂,状态变量多且相互之间存在着严重非线性特征,传统的基于物理失效模型的方法难以精确地预测发动机的剩余寿命(RUL)。针对此问题,采用时间卷积网络(Temporal Convolution Network ,TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对发动机剩余寿命进行预测,预测过程通过建立退化模型,给每个训练样本添加RUL标签;将特征输入构建的卷积神经网络得到剩余寿命的预测值。为了验证方法的有效性,在NASA提供的涡轮风扇发动机仿真数据集(C-MAPSS)上进行了测试,,结果表明采用TCN算法拥有更高的精度。

用卷积滤波器matlab代码Tensorflow中的SRCNN 基于深度卷积网络的图像超分辨率的Tensorflow实现。 GT 双三次 神经网络 实施细节 我们的实现使用TensorFlow训练SRCNN。 我们使用了与本文所述几乎相同的方法。 我们使用91个图像数据集训练了网络，并在训练时使用Set5数据集进行了验证。 在测试时，为了获得相同的放大倍数2、3和4的结果大小，我们将测试图像裁剪为12，即最小公倍数。 另外，我们将地面实况的边界和双三次内插测试图像填充了6，以使其尺寸与SRCNN结果相同。 根据该论文，在放大系数为3的Set5上，最佳性能是滤波器大小为9-5-5和ImageNet训练数据集时的平均PSNR值为32.75dB，但我们的目标是32.39dB ，这是在经过验证时的平均PSNR值该模型使用91个图像数据集，9-1-5滤镜大小和Y进行训练。 在训练了12,500个纪元之后，我们得到了相同的值32.39dB 。 给出了具有91个图像训练数据集和放大系数为3的预训练模型。 请注意，我们使用Y通道进行了训练和测试。 如果要使用3通道（YCbCr或RGB）进行训练和测试，

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%

卷积神经网络相关模块（输入层，卷积层，池化层，批归一化层，激活层，全连接层等相关知识）介绍

学校人工智能课程学习中，使用到的图片识别案例。主要功能为识别芯片表面划痕

斯坦福NLP课程 - 第11讲 - NLP中的卷积神经网络.doc

基于tensorflow的猫狗识别分类算法

Deep Learning and Convolutional Neural Networks for Medical 本书详细介绍了在医学图像计算中的语义对象检测和分割以及大规模放射学数据库挖掘的深度学习方法。特别关注卷积神经网络的应用，理论支持实际例子。特性：突出显示了如何使用深度神经网络来解决新的问题和协议，以及如何改进医学图像计算中的现有挑战;探讨博士的深刻研究经验。全面回顾了最新的研究和文献;描述了一系列不同的方法，这些方法利用深度学习在2D和3D医学成像中进行物体或地标检测任务;使用医学成像中的深度学习原理检查语义分割的各种选择技术;在大规模的放射图像数据库中引入了一种新颖的交错文本和图像深度挖掘方法。

本文对四类垃圾进行建模，每类垃圾再分为2类垃圾进行识别，（已经建立模型，无垃圾图片训练集菠萝、茶叶、单肩包、锅草帽、口服液瓶、玻璃灯管、电视眼镜）+程序源码，可自己寻找垃圾训练图片建立文件进行训练