采用CNN神经网络中经典的resnet18模型，对Flowers数据集（https://www.kaggle.com/datasets/alxmamaev/flowers-recognition）进行分类。 运用了图像增广技术与微调技术，在5轮训练后正确率超过了90%，在经过15轮训练后，精度可以达到97%。

摘要 输电线路是国家电力系统中负责电能输送的一个重要的组成部分。架空输电 线路长期经历着电闪雷击、风吹日晒、污秽、雨雪及沉陷等外界环境的侵害。目 前传统的电力巡检仍是人工巡检，新型技术利用无人机搭载高分辨摄像机，近距 离拍摄线路及其关键部件获取航拍图像来代替人工巡检。其中，航拍图像中输电 线路部件的识别及缺陷检测是关键技术也是技术难点。本文提出一种利用 Mask R-CNN 技术提取绝缘子串珠的掩膜图像、采用 Yolo-v3 和 Yolo-v4 进行对照，通 过神经网络模型对其绝缘子自爆区域进行特征提取，特征判断，识别定位。具体 流程如下：针对问题一中绝缘子串珠分割，本文根据不同绝缘子类型进行图像类别划 分，通过图像分割优化模型对小目标进行数据集制作。采用 Mask R-CNN 为框架 构建了深度学习算法，并以算法为核心搭建了绝缘子串图像检测平台。最后选取 数据集 80%进行模型训练，20%进行测试，使用极大值抑制算法，得出最佳先验 框（best_anchor），对经过模型得出的绝缘子掩模图与官方的绝缘子掩模图进行 计算，求出评价模型的 Dice 系数为 0.83

SSAGAN预训练的 DAMSM 模型，包括文本编码器text encoder和图像编码器image encoder，其中text encoder是双向LSTM模型，image encoder是CNN模型。在文件中均已经预训练好了的第200轮。 下载后将其上传到 DAMSMencoders目录下并进行解压

HLS CNN样本 在Vivado HLS中实现CNN的一些示例代码。 用法 运行软件 先决条件 CMake gcc 建造 mkdir -p build && cd build && cmake .. && make 跑步 # under directory build/ # run LeNet ./lenet 运行Vivado HLS 当前，我们提供一个TCL脚本来构建基于Vivado HLS的硬件设计。 设计文件位于src/accel 。 # Top function is selected as conv_layer_tile_accel_inst vivado_hls tcl/vivado_hls.tcl

随着我国经济制度和保障体制的不断完善，股票市场变得越来越热门，每年投资者的数量都在不断增加，所以如何有效地对股票价格进行预测成为研究领域的一个热门。 本文基于长短期记忆网络（LSTM，Long Short-Term Memory）神经网络模型，建立股价预测模型。训练数据选取了贵州茅台股票数据，然后选取其开盘价、收盘价、最高价和最低价作为四个输入特征进行训练。在优化算法方面，本文选择了很适用于LSTM模型的Adam（Adaptive moment estimation）算法。在模型结构方面，本文通过不断地修改学习率和训练轮数，调整模型的精确度。特别地，为获得更好的预测结果，本文对上述模型进行了改进，将三层神经网络改进为四层神经网络，实现新模型的均方误差（MSE，Mean Square Error）相比旧模型同输入特征的MSE下降了约47%。 从实验结果来看，在预测短期内的股价时，本模型的效果较好；在预测长期内的股价时，预测值和实际值有一定的差距，但是预测值的趋势和实际值的趋势大体一致，所以该模型在股价预测上有一定的实用价值。

torchtext的使用总结，并结合Pytorch实现LSTM 版本说明 PyTorch版本：0.4.1 火炬文字：0.2.3 python：3.6 文件说明 Test-Dataset.ipynb Test-Dataset.py使用torchtext进行文本预处理的笔记本和py版。 Test-Dataset2.ipynb使用Keras和PyTorch进行数据集进行文本预处理。 Language-Model.ipynb使用gensim加载预训练的词向量，并使用PyTorch实现语言模型。 使用说明 分别提供了笔记本版本和标准py文件版本。 从零开始逐步实现了torchtext文本预处理，

对KSC和PU数据集进行1D光谱特征学习，2D空间特征学习和3D谱空联合特征学习，所用环境为tensorflow-GPU-1.5.0 keras2.1.6 资源包含KSC和PU两个高光谱数据集

keras搭建简单CNN模型实现kaggle比赛数字识别-附件资源

TensorFlow LSTM 写诗代码与数据

数据挖掘 LSTM 时间序列预测 随机森林 基于LSTM的股票数据分析 数学建模 探究股票各指标的相关性、建立模型 建立LSTM时间序列模型