文件包括凯斯西储大学轴承故障数据，分别在负载1.2.3下的十种故障类型，通过卷积神经网络方法对其进行故障诊断，准确率高达99.67%，使用python语言对其进行复现，里面包括具体对应的论文。亲测好用

复数神经网络内容总结；对于深度网络在复数域上的扩展工作进行总结，参考了Bingo在ICLR2018上面的论文情况以及部分硕士论文内容

唇语识别系统使用机器视觉技术，从图像中连续识别出人脸，判断其中正在说话的人，提取此人连续的口型变化特征，随即将连续变化的特征输入到唇语识别模型中，识别出讲话人口型对应的发音，随后根据识别出的发音，计算出可能性最大的自然语言语句。

基于TensorFlow Keras接口的深度学习回归代码，以keras.Sequential深度神经网络作物估产回归为例；具有代码解释。代码具体分段解释请见：https://blog.csdn.net/zhebushibiaoshifu/article/details/114016531

资源包含全部fast-r-cnn模型，模型训练的步骤的相关说明都在资源当中。 框架采用的pytorch,信号灯数据集采用的是我自己标注的信号灯数据集，相关数据集的资源可以在我发布的其他资源里找到，数据集的数量庞大，质量优秀，完全可以胜任模型的训练任务。模型文件经过本人亲自调整和测试，确实有效。训练过程中遇到的问题和解决方法都写在了资源里的说明中，最终训练完成的权重文件也一并打包上传，有任何问题可以留言。

基于pytroch的深度学习练手应用，主要内容是应用生成对抗式神经网络自动生成动漫人物头像，以达到以假乱真的效果。

Netron是神经网络，深度学习和机器学习模型的查看者。 Netron支持ONNX（.onnx，.pb，.pbtxt），Keras（.h5，.keras），核心ML（.mlmodel），来自Caffe（.caffemodel，.prototxt），Caffe2（predict_net.pb），暗网（.cfg），MXNet（.model，-symbol.json），梭子鱼（.nn），ncnn（.param），Tengine（.tmfile），TNN（.tnnproto），UFF（.uff）和TensorFlow Lite（.tflite）。 Netron具有用于实验支持TorchScript（.pt，.pth），PyTorch（.pt，.pth），火炬（.t7），臂NN（.armnn），BigDL（.bigdl，.model），Chainer（.npz，.h5），CNTK（.model，.cntk），Deeplearning4j（.zip），MediaPipe（.pbtxt），ML.NET（.zip），MNN（.mnn），PaddlePaddle（.zip，__model__），OpenVINO（.xml），scikit学习（.pkl），TensorFlow.js（model.json，.pb）和TensorFlow（.pb，.meta，.pbtxt，.ckpt，.index）。

卷积神经网络研究综述

原创的毕业设计内容，请勿随意抄袭，利用基于zf的faster rcnn网络进行目标识别

yolo1和yolo2论文理论梳理总结