K-SVD通过构建字典来对数据进行稀疏表示，经常用于图像压缩、编码、分类等应用。

matlab中svm图片分类代码变形零件描述符（DPD） 该代码与ICCV 2013论文《可变形零件描述符》一起用于细粒度识别和属性预测。 === 用户配置 [TODO：简化这些目录路径以最小化用户设置] 在dpd_set_up.m ： scratchdir = /scratch % for KDES features, DPD features, etc if strcmp(database, ' bird ' ) dataset_base = /path/to/CUB200- 2011 % you edit this elseif strcmp(database, ' cub200 ' ) dataset_base = /path/to/CUB200- 2010 % you edit this elseif strcmp(database, ' human ' ) dataset_base = /path/to/berkeley-human-attributes-dataset % you edit this end === 运行DPD + DeCAF演示 这是使用具有DeCAF卷

这是一个手把手教你用 Tensorflow 构建卷机网络（CNN）进行图像分类的教程。教程并没有使用 MNIST 数据集，而是使用了真实的图片文件，并且教程代码包含了模型的保存、加载等功能，因此希望在日常项目中使用 Tensorflow 的朋友可以参考这篇教程。 概述 --- • 代码利用卷积网络完成一个图像分类的功能 • 训练完成后，模型保存在 model 文件中，可直接使用模型进行线上分类 • 同一个代码包括了训练和测试阶段，通过修改 train 参数为 True 和 False 控制训练和测试 数据准备 --- 教程的图片从 Cifar 数据集中获取，download_cifar.py 从 Keras 自带的 Cifar 数据集中获取了部分 Cifar 数据集，并将其转换为 jpg 图片。 默认从 Cifar 数据集中选取了 3 类图片，每类 50 张图，分别是 • 0 => 飞机 • 1 => 汽车 • 2 => 鸟 图片都放在 data 文件夹中，按照 label_id.jpg 进行命名，例如 2_111.jpg 代表图片类别为 2（鸟），id 为 111。

上海市公共数据开放分级分类指南(试行) (2).pdf上海市公共数据开放分级分类指南(试行) (2).pdf

钙钛矿双神经元网络分类 所讨论的算法旨在使用机器学习预测策略来促进高，稳定和高效性能的双钙钛矿太阳能电池的开发。 为了优化材料成分，制定设计策略并预测DPSC的性能。 入门 这些说明将为您提供在本地计算机上运行并运行的项目的副本，以进行开发和测试。 有关如何在实时系统上部署项目的注释，请参阅部署。 先决条件 脚本中使用的软件或软件包的列表，使用前可能需要这些列表。 Python最新版本 提示-安装软件包 大熊猫 脾气暴躁的 Matplotlib 西皮 门捷列夫 斯克莱恩 凯拉斯 Helvetios-执行培训的集群 介绍 钙钛矿是具有与称为钙钛矿的钙钛氧化物（CaTiO3）的矿物相似的晶体结构的材料。 钙钛矿化合物的通式为ABX3。 其中“ A”，“ B”是不同大小的阳离子，其中A是两者中最大的阳离子，“ X”是最常作为氧化物的阴离子。 它是最丰富的结构家族之一，存在于多种具有广泛特性，

基于分词与BP网络的文本分类 首先下载整个文件，BP文本分类-语义特征提取.rar主要存放了相关的数据集 代码主要包括： 1.特征提取 首先对文本信息进行分词处理，采用基于字符串匹配的方法： 依次截取一到多个词，并与字典库进行匹配。如二狗，如果匹配到字典中有这个词，则将其分为一个词；发现字典中没有与之匹配的，则说明这个不是一个词语，进行顺序操作， 2.得到分词后的文本之后，就是转换成数字编码，因此电脑没办法识别汉字。这一部分叫特征表示，即用数字的方式表示中文文本，采用的方法是基于词带模型的特征表示 3.通过2我们将文本表示成了数字，但是这样的表示通常都是稀疏的，为此我们利用降维方法，消除掉这些冗余特征。 4. 文本分类，采用的就是bp网络（1）如pca的降维数，维数过高，包含冗余数据，过低又会删除掉重要信息。（2）bp网络结构的调整，如隐含层节点数，学习率等

摘要:VC/C++源码,其它分类,身份证读卡器 VC++身份证读卡器二次开发例子，用有一些DLL,觉得用处不太大，有空了看下。 运行环境：Windows/Visual C/C++

中文文本分类语料库

EEG信号处理与分类CNN模型集合+样例运行训练

这用Jupyter完成Iris数据集的 Fisher线性分类，并学习数据可视化技术 。里写目录标题用Jupyter完成Iris数据集的 Fisher线性分类，并学习数据可视化技术 。一、完成Iris数据集的 Fisher线性分类判断准确率二、学习数据可视化1、数据概览1.1、读取文件1.2、前五行数据1.3、后五行数据1.4、查看数据整体信息1.5、描述性统计1.6、对每种特征计数2、特征工程2.1、引入可视化所需要的库2.2、去掉Species下的字符2.2、绘制花萼的长度与宽度的散点图2.3、绘制花瓣的长度与宽度的散点图2.4、Id编号与花萼长度, 花萼宽度, 花瓣长度, 花瓣宽度之间的关