带连续卷积的拉格朗日流体模拟 该存储库包含我们ICLR 2020论文的代码。 我们展示了如何使用连续卷积将基于粒子的流体模拟网络训练为CNN。 该代码使您可以生成数据，训练自己的模型或仅运行预训练的模型。 如果您认为此代码有用，请引用我们的论文 ： @inproceedings{Ummenhofer2020Lagrangian, title = {Lagrangian Fluid Simulation with Continuous Convolutions}, author = {Benjamin Ummenhofer and Lukas Prantl and Nils Thuerey and Vladlen Koltun}, booktitle = {International Conference on Learni

BiLSTM CNN 在 Keras 中完成知识图谱 Keras 实现了题为“使用 CNN-BiLSTM 和注意力机制实现知识图完成的基于路径的推理方法”的论文。 给定一个候选关系和两个实体，它使用卷积运算和 BiLSTM 编码将实体连接到低维空间的路径。 还应用了一个注意力层来捕获候选关系与两个实体之间的每条路径之间的语义相关性，并从多条路径的表示中专注地提取推理证据以预测实体是否应该通过候选关系连接。 所需文件 data/processed_data.tar.gz - 包含具有关系和实体的接地路径的数据集文件（例如 e1、r1、e2、r2、e3）。 任务 - 可以从 [1] 下载。 为了生成诸如 (r1, r2, ..., rk) 之类的关系路径，我们使用了 [2]。 我们用于实验的原始知识图数据可以在 [1] 中找到，其中包括带有训练/测试三元组的任务数据集。 如果您使用我们的

有关完整说明，请参阅 README.md 文件。 这是使用 3D 修正 Fisher Vectors 训练点云分类网络的 MATLAB 代码。 这项工作在西班牙马德里的 IROS 2018 上展出，并发表在机器人和自动化快报。 现代机器人系统通常配备直接 3D 数据采集设备，例如 LiDAR，可提供丰富的周围环境 3D 点云表示。 这种表示通常用于避障和映射。 在这里，我们提出了一种将点云用于另一个关键机器人能力的新方法，即对环境的语义理解（即对象分类）。 卷积神经网络 (CNN) 在 2D 图像中的对象分类方面表现非常出色，但不容易扩展到 3D 点云分析。 由于点云的不规则格式和不同数量的点，这并不简单。 将点云数据转换为3D体素网格的常见解决方案需要解决严重的精度与内存大小的权衡问题。 在本文中，我们提出了一种新颖、直观可解释的 3D 点云表示，称为 3D Modified Fi

从零开始使用CNN进行性别识别 我们使用CNN来预测30位说话者（15位男性和15位女性）中的性别，我们从头开始设计CNN，而无需使用任何tensorflow或keras库，并且在对模型从未听过的说话者性别进行分类时获得了93.47％的准确性。 问题是学习如何处理音频数据并建立模型以对声音进行分类。 我们做了很多研究，以了解如何解决该问题以及许多人如何解决该问题。 在这种方法中，我们将音频片段转换为图片（梅尔频谱图），并使用这些图片来训练卷积神经网络模型（CNN）。

MachineLearning_Project 通过操纵神经网络的各种参数，已经开发出用于人类活动识别的CNN体​​系结构。 培训和测试在公共数据集MHEALTH上进行，用于将人类活动分为与各种活动相对应的12类。 通过由2个卷积，2个最大池和2个线性层组成的体系结构，我们实现了96％的精度和90.52％的F1得分，优于在同一数据集上训练的几个最新模型。

上回书说到了对人脸的检测，这回就开始正式进入人脸识别的阶段。 关于人脸识别，目前有很多经典的算法，当我大学时代，我的老师给我推荐的第一个算法是特征脸法，原理是先将图像灰度化，然后将图像每行首尾相接拉成一个列向量，接下来为了降低运算量要用PCA降维， 最后进分类器分类，可以使用KNN、SVM、神经网络等等，甚至可以用最简单的欧氏距离来度量每个列向量之间的相似度。OpenCV中也提供了相应的EigenFaceRecognizer库来实现该算法，除此之外还有FisherFaceRecognizer、LBPHFaceRecognizer以及最近几年兴起的卷积神经网络等。 卷积神经网络（CNN）的前级包

DCGAN-plus-cnn分类器 使用DCGAN进行数据扩充，使用cnn分类器进行分类

本科毕业设计用网上的源码 简单的中文文本情感分类 一个用 PyTorch 实现的中文文本情感分类网络，代码较简单，功能较丰富，包含了多种模型 baseline。 环境需求 python == 3.6 torch == 1.1.0 Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10GHz NVIDIA TITAN Xp 其余的见 requirements.txt 使用方法 先预处理，./run_preprocess_word2vec.sh 或 ./run_preprocess_elmo.sh 3（3 是 gpu 编号） 然后运行 python3 main.py --config_path config_cnn.json 预处理 将所给文本的每个词转换成预训练模型的词向量后存到文件里。我分别尝试了这两种 embedding： ELMo 中文预训练模型，1024d（ Chinese-Word-Vectors，300d（ 请自行下载相应的模型文件到 data/word2vec/ 或 data/zhs.model 文件夹下。 具体细节见 preprocess.py 文件

gan网络生成器有三层全连接层组成，判别器由lenet卷积网络构成，迭代再50次以上即可生成像样的mnist数字图片

仿冒网址检测 使用LSTM和CNN的网络钓鱼URL检测实施