尝试将word embedding和卷积神经网络（CNN）相结合来解决情感分类问题。首先，利用skip-gram模型训练出数据集中每个词的word embedding，然后将每条样本中出现的word embedding组合为二维特征矩阵作为卷积神经网络的输入，此外每次迭代训练过程中，输入特征也作为参数进行更新；其次，设计了一种具有三种不同大小卷积核的神经网络结构，从而完成多种局部抽象特征的自动提取过程。与传统机器学习方法相比，所提出的基于word embedding和CNN的情感分类模型成功地将分类正确率提升了5.04%。

在源代码基础上调整代码结构，需运行代码均位于初始目录，可根据教程README.md轻松运行成功，无需代码基础。 课程作业+实验设计+小型毕设均可应对。

captcha_cracker 简介 这是一个基于 编写的卷积神经网络模型，简单实现的验证码识别功能。 是一款 社区中流行的验证码生成库, 项目模型的训练集以及在线测试所用到的验证码均采用该库生成。 运行环境 Ubuntu16.04 python3.5.2 virtualenv Tensorflow Backend 实现原理 用 Captcha 生成2组每组2000个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为训练集（每组8000张图片）。 生成2组每组500个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为测试集（每组2000张图片）。 运行 pack_data.py 将图片转为 RGB 矩阵并用cPic

ESPCN-TensorFlow TensorFlow（ESPCN）中高效子像素卷积神经网络的TensorFlow实现。 基于网络和本改编的代码。 这个网络可以实现的实时性能 ，同时也超越了质量 。 先决条件 Python 2.7 TensorFlow 脾气暴躁的 Scipy版本> 0.18 用法 在训练每个新模型之前，运行prepare_data.py格式化训练和验证数据培训： python train.py 可以指定时期，学习率，批量大小等： python train.py --epochs 10 --learning_rate 0.0001 --batch_size 32 用于生成： python generate.py 必须指定检查点，低分辨率图像和输出路径python generate.py --checkpoint logdir_2x/train --lr_image

人工智能-多样化卷积神经网络在图像识别上的研究.pdf

人工智能-低功耗高性能的卷积神经网络硬件加速器设计.pdf

使用Resnext50网络对猫图像进行分类，最终得到正确率91.67%。

猫狗数据集+基于卷积神经网络实现的猫狗图像分类项目源码+深度学习笔记答辩PPT+大作业文档。 由于数据集中图片数量太多，所以将图片数据打包存在了 cats_and_dogs.zip 里面。 该数据集包含25000张猫狗图像(每个类别各有12500张)。CNN是用这个集合里面的数据进行训练，CNN基于验证集上的性能来调节模型配置（超参数：层数，每层神经元数量等）图像数据输入卷积神经网络之前，应该将数据格式化为经过预处理的浮点数张量。 需要对图像进行向量化处理，同时对标签也要进行向量化处理。 代码位于 5.2_小型数据建立卷积神经网络_猫狗图像分类2.ipynb 中。 开箱即用，方便，内附使用教程

统一手势识别和指尖检测 同时用于手势识别和指尖检测的统一卷积神经网络（CNN）算法。 所提出的算法使用单个网络预测一次手指类别分类的概率和指尖位置输出以进行回归评估。 根据手指类别的概率，可以识别手势，并使用这两个信息对指尖进行定位。 我们没有直接从CNN的完全连接（FC）层中移出指尖位置，而是从完全卷积网络（FCN）中移出了指尖位置集合，然后采用集合平均来使最终的指尖位置输出回归。 更新 包括robust real-time hand detection using yolo进行的robust real-time hand detection using yolo在检测系统的第一阶段获得更好的平滑性能，并且大多数代码已经过清理和重组，以便于使用。 要获取以前的版本，请访问发布。 要求 TensorFlow-GPU == 1.15.0 凯拉斯== 2.2.4 ImgAug == 0.

子流形稀疏卷积网络 这是用于训练子流形稀疏卷积网络的PyTorch库。 空间稀疏性 该库将引入PyTorch。 此外，它引入了子流形稀疏卷积，可用于构建计算有效的稀疏VGG / ResNet / DenseNet样式的网络。 通过常规的3x3卷积，活动（非零）站点的集合将Swift增长： 通过子流形稀疏卷积，活动位点的集合保持不变。 活动站点查看其活动邻居（绿色）；活动站点查看活动邻居。 非活动站点（红色）没有计算开销： 堆叠子流形稀疏卷积以构建VGG和ResNet类型的ConvNet，信息可以沿着活动点的线或表面流动。 断开连接的组件起初不会进行通信，尽管它们会由于跨步操作（池化或卷积）的影响而合并。 另外，在网络中添加ConvolutionWithStride2-SubmanifoldConvolution-DeconvolutionWithStride2路径可以使不相交的活动