乳腺癌数据集 Python 预测模型 乳腺癌数据集二分类预测 机器学习 深度学习 网格搜索+logistic逻辑回归+神经网络+SVM支持向量机+KNN 条形图折线图可视化 预测效果较好，拟合较为准确。 jupyter notebook numpy pandas matplotlib sklearn 数据分析 数据挖掘

基于深度学习的MRI脑肿瘤图像分割技术研究综述.pdf

原始的U-Net采用跳跃结构结合高低层的图像信息, 使得U-Net模型有良好的分割效果, 但是分割结果在宫颈细胞核边缘依然存在分割欠佳、过分割和欠分割等不足. 由此提出了改进型U-Net网络图像分割方法. 首先将稠密连接的DenseNet引入U-Net的编码器部分, 以解决编码器部分相对简单, 不能提取相对抽象的高层语义特征. 然后对二元交叉熵损失函数中的宫颈细胞核和背景给予不同的权重, 使网络更加注重细胞核特征的学习. 最后在池化操作过程中, 对池化域内的像素值分配合理的权值, 解决池化层丢失信息的问题. 实验证明, 改进型U-Net网络使宫颈细胞核分割效果更好, 模型也越鲁棒, 过分割和欠分割比率也越少. 显然, 改进型U-Net是更有效的图像分割方法.

深度学习数值计算之Hessian矩阵与牛顿法

本系列以通俗的方式讲解注意力机制Attention的整体知识，让i你爱上Attention的神奇应用。 资料：

资源包含文件：lunwen文档+任务书+开题报告+文献综述+外文翻译+软件使用说明书+源码及数据集 流程分为两个部分，一是文本检测，二是文本识别。 文字检测的主要功能为：从图像中找到文字区域，并将文字区域从原始图像中分离出来。 文字识别的主要功能为：从分离出来的图像上，进行文字识别。 文字识别流程： 1）预处理：去噪（滤波算法）、图像增强、缩放，其目的是去除背景或者噪点，突出文字部分，并缩放图片为适于处理的大小 2）特征抽取：常用特征：边缘特征、笔画特征、结构特征、纹理特征。 3）识别：分类器，随机森林 、SVM、NN、CNN等神经网络。 本次设计的环境如下 软件环境 操作系统 ubantu 16.04 Tensorflow tensorflow1.3.0-gpu Python python2.7 硬件环境 CPU Intel(R) Xeon(R) CPU E5-2650 v4 @ 2.20GHz GPU TITAN X (Pascal) 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/125342848

本资源为深度学习课程设计 含课程设计完整过程的数据集以及实验报告 可供参考 由matlab代码编写构建双层CNN卷积神经网络识别Minist的手写体数据，其中将不断改进的代码跟另外使用工具函数编写的另一个CNN程序结果比较，有一个较为直观的运行效果对比。能够很好的看出程序设计的优劣。使用的是双层卷积神经网络，后向传播用的是随机梯度下降及其优化版本。 适用于CNN初学者以及希望更进一步的学习者。 dataset是MNIST。这里层的概念是指convolution+pooling 函数说明： read_label和read_image分别为读取标签和图像数据点的函数 convolve是实现卷积的函数，pool是实现池化的函数 SGD_MSGD是主函数，把minibatch设为1就是SGD，大于1就是MSGD OPTIMAL是优化版的主函数，OPTIMAL_FINALE是最终优化版的主函数，toolbox是用工具箱函数写的CNN，用于对比之前函数的运行效果。 SGD_MSGD，OPTIMAL，OPTIMAL_FINALE，toolbox都可以直接运行得到答案

srgan-tensorflow超分辨率图像重建

最近整理了关于Matlab的学习资料，这是第一个，关于神经网络工具箱，深度学习，以及人工神经网络的内容，包含25中人工神经网络的matlab代码实现，Matlab神经网络用户手册，面前Matlab工具箱的神经网络理论与应用，深度学习CNN+DBN+RBM等资料。

自动加权GCN算法实现反洗钱识别-数据集自动加权GCN算法实现反洗钱识别-数据集自动加权GCN算法实现反洗钱识别-数据集