HWDB-1.1 手写汉字CNN识别模型训练 数据集 使用CASIA-HWDB1.1进行训练和测试，训练集和测试集按照4:1划分，测试集235200张，训练集940800张， 共计1,176,000张图像。该数据集由300个人手写而成，其中包含171个阿拉伯数字和特殊符号，3755类GB2312-80 level-1汉字。 样例图 模型训练 Finetuning from a pretrained model 以googlenet为基础模型，进行finetuning。直接训练全部类别无法收敛时，尝试分阶段训练。 训练后的测试结果为loss-1和loss-2分支准确率为95%，loss-3分支为97%。收敛很快，以0.01为基础学习率，32的batch size，不到10000次迭代就收敛了。 Train 'HWDB-CNN-9Layer' model 虽然googlenet效果尚可，但是由

物体检测 使用带有Tensorflow和Python的深度学习进行车辆检测 该程序说明了如何从头开始在多个对象的对象检测中训练自己的卷积神经网络（CNN）。 使用本教程，可以识别和检测图片，视频或网络摄像头中的特定对象。 下面描述了在Tensorflow环境中在窗口（10、7、8）上训练模型的步骤。 我使用了TensorFlow-v1.5，但该程序可在将来的版本中使用。 脚步 1.安装Anaconda 访问下载并安装Anaconda 访问 TensorFlow的网站描述了安装细节。 2.设置TensorFlow目录和Anaconda虚拟环境 TensorFlow对象检测API和Anac

Matlab的耳语nafld-1d-cnn 使用射频（RF）超声信号进行NAFLD诊断和肝脂肪分数定量的1D-CNN模型 该代码用于开发，训练和测试两个1D-CNN模型：a）区分NAFLD和对照（无肝病）的分类器； b）预测肝脏脂肪比例的脂肪比例估算器。 两种模型均使用射频超声信号作为输入，并使用MRI质子密度脂肪分数（PDFF）作为参考（标签）。 在分类器的情况下，NAFLD被定义为MRI-PDFF> = 5％。 livernet_1d_cnn.py包含分类器和脂肪分数估算器的最终模型架构。 对于模型训练和超参数调整，请使用hyper_parameter_tuning_classifier.py和hyper_parameter_tuning_ff_estimator.py 对于最终模型训练，请使用train_classifier.py和train_ff_estimator.py。 对于模型测试，请使用test_classifier.py和test_ff_estimator.py。 工具datagenerator.py为深度学习模型中使用的输入数据做准备。 原始的降采样的RF数据应存储

1.数据集：事故车辆和非事故车辆图像共计3800张。 2.代码：CBAM-CNN模型和LeNet模型代码及应用实现代码。

行业分类-作业装置-一种基于IGAN-CNN模型的空气污染评估方法.7z

基于OpenCV和CNN的ANPR比较 该方案利用OpenCV函数和预先训练好的CNN模型对给定图像中的车牌进行检测，并排显示结果。 #结论 与传统的OpenCV函数相比，经过预训练的CNN模型能够准确地检测车牌。

在本笔记本中，我使用的是 MNIST Digits 数据集。关于数据集：数据集由 10 类手写图像图片组成，每类图片的数字在 0-9 之间。使用 Trasnfer 学习架构 ResNet50，CNN 模型

使用带有 keras CNN 模型和 openCV 的 fer2013 数据集检测以下面部情绪 - 愤怒、厌恶、恐惧、快乐、悲伤、惊讶、中性。准确度：66%。需要下载预先训练的情感检测模型，caffemodel和prototxt在模型的模型推断。

DocumentClassification - 该代码实现了一个简单的CNN模型，用于利用tensorflow进行文档分类

天池入门赛-心跳信号分类预测-PyTorch CNN模型 B榜16