内容概要：这是基于LabVIEW设计的无线通信系统，这部分主要为使用（215）卷积码实现的编码、解码的系统，通过对图片实现编码后经过模拟的高斯噪声信道进行传输，然后再接收端解码后再恢复图片。并且可以选择观看是否启用编码的误码率情况。（建议使用里面包含的较小内存图片） 适用人群：刚开始学习的学生。 注：需要提前安装好软件，里面是工程文件，只供个人学习使用，可以与我的博文搭配使用。

基于TensorFlow、CNN、清华数据集THUCNews的字符级卷积神经网络实现文本分类算法源码

去年 5 月，github上出现一款名为 ML Visuals 的机器学习画图模板，该项目受到广泛关注，迄今已收获 6.1K Star。ML Visuals 专为解决神经网络画图问题设计。ML Visuals 现在包含了 100 多个可用的自定义图形，使用者可以在任何论文、博客、PPT 中使用这些资源。这份 101 页的模板共包含几个部分：基础组件、架构、机器学习概念、抽象背景、渐变背景、机器学习 & 健康、其他、机器学习系统设计。这套画图模板首先提供了多种基础组件，比如表示过程、操作或转换的圆角矩形，表示神经元或任意操作的小圆圈，表示向量的一排小方块以及表示多维数组的网格等。 PPT更新至2021.11.11，有215页.

项目：建立交通标志识别程序 该项目 该项目的目标/步骤如下： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 用书面报告总结结果 依存关系 该项目要求： tensorflow-gpu == 1.7.0 scipy == 1.0.0 matplotlib == 2.0.0 numpy == 1.14.2 opencv-contrib-python == 3.4.0.12 sklearn == 0.18.2 数据集探索 数据集摘要 。 加载数据集和基本摘要 加载数据集后，我得到以下摘要信息： 训练例数：34799 测试例数：12630 验证示例数：4410 图像形状为：（32 32，3） 类数标签：43 探索性可视化 该图像网格表示从训练集中每个类别中选择的一个随机图像 分配 现在，我们将探索分

主要介绍了Tensorflow实现卷积神经网络用于人脸关键点识别，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧

基于LDA的卷积神经网络特征图选择

针对传统图像边缘检测算法存在的边缘方向性不强及边缘较粗等问题，提出了一种基于八方向卷积模板的边缘检测算法。算法采用0°、22.5°、 45°、67.5°、 90°、112.5°、135°和157.5°八个方向的卷积模板进行边缘检测，模板权值根据中心像素点到邻域像素的距离及方向夹角的大小进行设定，充分考虑到了邻域内像素对中心点方向梯度的贡献大小，能够较好地检测出图像不同的方向边缘。对梯度图像采用了改进的非极大值抑制方法进行细化，可得到单像素的图像边缘。实验结果表明，该算法获取的边缘图像边缘较为完整，方向性强且边缘较细，整体效果明显优于传统Sobel算法。

文本数据的序列性使得RNN的循环迭代模式成为显而易见的选择，但如果我们把文本编码后的结果（Batch×sequence×embedding）看做一张图片，那么通过卷积的方式提取文本信息也理所当然。这就是TextCNN算法的初衷。 TextCNN是一种高效的文本卷积算法，其可以捕捉相邻文本间的局部结构关系，同时卷积的特性又使得其支持并行操作。该算法在文本分类问题上的效果与TextRNN算法相当，因此被广泛使用。 那么如何从图片编码的角度，来合理的看待文本数据编码呢？这里提供两种视角： 视角1： 宽度为1的长条状图片，其embedding的尺寸可视为图片的channel大小。 对此，可直接应用1

卷积神经网络；分类识别；数据增强与预处理；实时检测；

基于卷积神经网络的车辆检测与分类