回归预测 | MATLAB实现TPA-LSTM(时间注意力注意力机制长短期记忆神经网络)多输入单输出（完整源码和数据） 多输入单输出,运行环境MATLAB2020b及以上，运行主文件TPAMain.m即可。

Training Issues & CNN Development

多尺度领域对抗多实例学习CNN（CVPR2020） 抽象的 我们提出了一种从组织病理学图像中对癌症亚型进行分类的新方法，该方法可以在给定的完整幻灯片图像（WSI）中自动检测肿瘤特有的特征。应当通过参考WSI对癌症亚型进行分类，即WSI，即整个病理组织玻片的大尺寸图像（通常为40,000x40,000像素），该图像由癌症和非癌症部分组成。一种困难来自与注解WSI中的肿瘤区域相关的高昂成本。此外，必须通过更改图像的放大倍率从WSI中提取全局和局部图像特征。此外，应针对医院/标本之间的染色条件差异，稳定地检测图像特征。在本文中，我们通过有效地结合多实例，领域对抗和多尺度学习框架，开发了一种基于CNN的癌症亚型分类新方法，以克服这些实际困难。 本文档说明了如何在ref [1]中将源代码用于多尺度域对抗多实例倾斜（MS-DA-MIL）CNN。该算法针对数字病理图像的二进制分类问题，其中每个载玻片被分

CFD中的机器学习案例 该存储库包含出版的文章使用的代码。 安装 我们建议使用单独的虚拟环境。 要创建一个，运行 python3 -m venv < ENV> 通过运行输入 source < ENV> /bin/activate 要安装需求，请运行 cd flowfusic_cylinder_flow pip install -r requirements.txt 使用代码库 创建机器学习模型的三个主要步骤可以代替CFD管道的一部分。 在继续之前，请确保您位于存储库的主目录中。 生成几何 python make_geometry_dataset.py 生成样品流 训练卷积神经网络模型 python train.py

基于CNN的人脸识别考勤系统包含预训练模型可以直接运行

MATLAB CNN-SVM分类程序，含详细注释及数据， 以改进VGG网络为例，提取某一网络的某一层特征并用SVM完成分类。

python机器学习大作业用numoy构建原始CNN网络项目源码。在本项目中，通过numpy实现了一个CNN网络，包括其中的卷积层，池化层以及全连接层，通过公式推导、代码编写，加深了对于卷积、池化、反向传播等概念的理解。 采用现在主流的深度学习框架Pytorch实现识别，并与自己搭建的CNN训练结果进行比较。 采用相同的网络结构： self.conv1 = nn.Conv2d(in_channels=1, out_channels=8, kernel_size=3, padding=0, stride=1) self.maxpool = nn.MaxPool2d(kernel_size =2, stride=None, padding=0) self.fc1 = nn.Linear(13 * 13 * 8, 512) self.fc2 = nn.Linear(512, 10) 在3个epoch下测试结果： 相比与用numpy实现的CNN，其具有较高的稳定性，以及训练速度，因为PyTorch将输入转为张量形式，转入GPU中训练，同时用了SGD优化器，加快loss收敛速度。

matlab的程序cnn编写，对图片进行分类并预测，最后完成搜索功能， 输入图片路径给出所有同类的图片结果

1.领域：matlab，LSTM深度学习网络 2.内容：基于LSTM深度学习网络的时间序列预测matlab仿真+操作视频 3.用处：用于LSTM深度学习网络编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

数据是单维一例的，基于时间节点的预测，matlab出图，程序包含LSTM程序单独运行、SSA-LSTM程序运行、两种程序对比。前70%训练，后面30%预测，大约有2000个数据，代码有详细说明，可供调整学习。