基于 Pytorch MobileNetv1 的图像分类实战 完整代码+数据 计算机毕设 可直接运行

基于训练好的语言模型（使用gensim的word2vecAPI），编写了一个情感分类模型，包含一个循环神经网络模型（LSTM）和一个分类器（MLP）。首先，将一个句子中的每个单词对应的词向量输入循环神经网络，得到句子的向量表征。然后将句向量作为分类器的输入，输出二元分类预测，同样进行loss 计算和反向梯度传播训练，这里的 loss 使用交叉熵 loss。

这款TimeToPhoto就可以帮助你在数码照片上添加日期、时间、GPS信息、ISO、相机型号、水印等，同时它还可以让用户在照片上写上简单的标签！ 功能特色： 批量图片处理。 添加任何文本标签和时间戳到您的照片。 邮票的位置，大小，颜色和字体是完全可定制。 重命名和自动排序的照片。 EXIF日期和时间的支持。 EXIF GPS标签的支持。 所有加盖照片保存到不同的文件夹中，原始照片不会被修改。

基于时频图深度学习的雷达动目标检测与分类.pdf

将百万以上条的邮箱地址按后缀名进行分类，分类完成后按后缀名一次io写入文件，并使用事务插入到相应的数据库表中。百万条数据处理在10分钟之内，我本地测试8分多，可以使用拼接所有后缀名相同的邮箱地址到一条语句插入（比较low的方法，呵呵），这样可以大大提高速度，基本两分钟搞定，不过要先设置数据库支持的sql语句的最大长度。

matlab开发-xls2mat。将电子表格文件转换为matlab结构

针对传统机器学习方法不能有效地提取恶意代码的潜在特征，提出了基于栈式自编码（stacked auto encoder，SAE）的恶意代码分类算法。其次从大量训练样本中学习并提取恶意代码纹理图像特征、指令语句中的隐含特征；在此基础上，为提高特征选择对分类算法准确性的提高，将恶意代码纹理特征以及指令语句频度特征进行融合，训练栈式自编码器和softmax分类器。实验结果表明，基于恶意代码纹理特征以及指令频度特征，利用栈式自编码分类算法对恶意代码具有较好的分类能力，其分类准确率高于传统浅层机器学习模型（随机森林、支持向量机），相比随机森林的方法提高了2.474%，相比SVM的方法提高了1.235%。

asp无限级分类源代码（带数据库）+示例，asp无限级分类源代码（带数据库）+示例

matlab开发-casadioptistack。用ipopt和casadi求解大规模（参数化）NLP

以微博为代表的社交平台是信息时代人们必不可少的交流工具.挖掘微博文本数据中的信息对自动问答、舆情分析等应用研究都具有重要意义.短文本数据的分类研究是短文本数据挖掘的基础.基于神经网络的Word2vec模型能很好的解决传统的文本分类方法无法解决的高维稀疏和语义鸿沟的问题.本文首先基于Word2vec模型得到词向量，然后将类别因素引入传统权重计算方法TF-IDF （Term Frequency-Inverse Document Frequency）设计词向量权重，进而用加权求和的方法得到短文本向量，最后用SVM分类器对短文本做分类训练并且通过微博数据实验验证了该方法的有效性.