QT+OpenCV+ANN_MLP实现简单车牌识别源码，包括训练数字和字母的代码及样本

内容概要：本资源所用的开发环境是jupyter，包含MLP/LeNet/AlexNet/GoogLeNet/ResNet五个深度神经网络模型结构和MNIST、Fashion MNIST、HWDB1三个不同的数据集。所有运行结果都写在了.ipynb文件中，所用的开发框架为tensorflow2。 适合人群：具备一定编程基础，了解深度学习人员。

1.用Mxnet实现图像分类——比较LR & MLP & CNN区别 2.图像数据包括43种交通指示牌图像，每种图像数量200多，总图像数量为10000+ 3.主要代码为ipynb格式，内含判分模块 4.Mxnet网上教程非常少，此资源可作为学习Mxnet&CV的很好参考资料

深度学习初步，全连接神经网络，MLP从原理到实现（二）原理部分，过拟合，激活函数，batc。。。 深度学习原理.pdf

视觉系统实验室：在GPU上学习计算机视觉[自述文件未定期更新] 作者：Saikat Roy， 波恩大学CudaVision实验室（SS19）的存储库（主要）在PyTorch，Python3和Jupyter笔记本电脑上实现。 该项目从神经网络的基础开始，并延伸到更深层次的模型。 以下项目包含在相应的文件夹中： 项目1：Softmax回归（无autograd / Pytorch张量） 涉及使用softmax回归和手动梯度计算对MNIST数据集进行分类。 经过5次简单的迭代运行后，训练和测试集的准确度分别为0.8931和0.8866 。 项目2：多层神经网络 涉及在PyTorch上使用香草SGD进行简单的多层神经网络训练，并通过k倍蒙特卡洛交叉验证进行超参数（学习率和批量大小）搜索。 分类是在CIFAR-10数据集上完成的。 下面给出了在3072-128-128-10体系结构上进行50次

MLP模拟器（+ NeuroSim）V3.0 MLP + NeuroSim框架是由Shimeng （乔治亚理工学院）开发的。 该模型是在非商业基础上公开提供的。 该模型的版权由开发人员维护，并且该模型根据 这是该工具的发行版本3.0（2019年3月1日）。 此版本将算法权重从V2.0中的（0,1）扩展到V3.0中的（-1,1）。 此外，还添加了更多的训练算法，例如动量法，Adagrad，RMSprop，Adam。 基于数字eNVM（例如STT-MRAM）的突触阵列支持并行读取，以减少延迟。 开发人员：陈排宇，彭晓晨和罗延东。 如果您对模型有任何逻辑上的问题或意见，请联系于世教授（ ），如果您有技术上的问题或意见，请联系（ ）或（ ）。 这项研究得到了NSF CAREER奖，NSF / SRC E2CDA计划和SRC / DARPA JUMP中心之一ASCENT的支持。 如果

使用指令的操作对SVM、MLP、LSTM算法进行了训练和测试的操作，采用CASIA数据集进行训练，需要安装python的语音处理报librosa，还有可以使用opensmile的部分，内容较为丰富

本科毕业设计用网上的源码 简单的中文文本情感分类 一个用 PyTorch 实现的中文文本情感分类网络，代码较简单，功能较丰富，包含了多种模型 baseline。 环境需求 python == 3.6 torch == 1.1.0 Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10GHz NVIDIA TITAN Xp 其余的见 requirements.txt 使用方法 先预处理，./run_preprocess_word2vec.sh 或 ./run_preprocess_elmo.sh 3（3 是 gpu 编号） 然后运行 python3 main.py --config_path config_cnn.json 预处理 将所给文本的每个词转换成预训练模型的词向量后存到文件里。我分别尝试了这两种 embedding： ELMo 中文预训练模型，1024d（ Chinese-Word-Vectors，300d（ 请自行下载相应的模型文件到 data/word2vec/ 或 data/zhs.model 文件夹下。 具体细节见 preprocess.py 文件

随着攻击技术的不断进步，基于机器学习(Machine Learning，ML)、深度学习(Deep Learning，DL)等技术的建模攻击严重威胁了PUF的安全。针对Glitch PUF单元电路静态输出的缺陷，首次提出使用多层感知器(Multilayer Perceptron，MLP)算法对Glitch PUF进行机器学习，解决了Glitch PUF输出为非线性可分数据的问题，能够对Glitch PUF攻击并预测其输出。实验表明，对比于逻辑回归(Logistic Regression，LR)算法和随机森林(Random Forest，RF)二分类算法，提出的MLP算法显著降低了预测错误率。

p 原始的多层感知器实现 用法：mlp输入数据输出目录纪元最大速度图层-cfg 输入数据-带有数据的文本文件的路径：每行包含点坐标及其类标签 output- dir-包含训练结果的dir的路径（将包含errs.txt，errs_val.txt，weights.txt，results.txt） epoch-max- [int]最大纪元数 速度-[双]学习速度 layers-cfg-文本文件的路径，其中包含带有隐藏层的输出编号的一行 err_graph.py-用于培训和验证错误可视化的脚本 用法：python err_graph.py draw_results.py-用于分类结果可视化的脚本 用法：python draw_results.py results-path results-path ：output-dir / results.txt