基于PYNQ-Z2实现手写数字识别卷积神经网络硬件加速器.zip

基于边界框回归损失的目标检测器以其简单、高效的特点被广泛应用于计算机视觉领域。损失函数中定位算法的精度会影响网络模型检测结果的平均精度。我们在Complete Intersection over Union(CIoU)损失函数的基础上提出了一种改进的提高定位精度的算法。具体来说，该算法在于更全面的考虑预测框和真值框的匹配，利用预测框与真值框高宽比尺寸的比例关系，在真值框和预测框对应的宽高比值相同条件下，考虑预测框对定位精度的影响因素，这样强化了惩罚函数的作用，提高了网络模型的定位精度。我们称这个损失函数是Improved CIoU (ICIoU)。在Udacity, PASCOL VOC(Pascal Visual Object Classes)和MS COCO(Microsoft Common Objects in Context)数据集上的实验，证明了ICIoU用于单级目标检测器YOLOv4在提高模型定位精度方面的有效性。所提出的ICIoU算法相比IoU可以在Udacity测试开发上显著提高AP 1.92%和AP75 3.25%。它还可以在PASCAL VOC上显著提高AP 1.7

3D 三维卷积神经网络CNN(MATLAB).zip 3D 三维卷积神经网络CNN(MATLAB).zip

实体关系抽取旨在识别网络文本中的实体，并提取出文本中实体之间隐含的关系。研究表明，深度神经网络在实体关系抽取任务上具有可行性，并优于传统关系抽取方法。目前的关系抽取方法大都使用卷积神经网络（CNN）和长短期记忆神经网络（LSTM），然而CNN只考虑连续词之间的相关性而忽略了非连续词之间的相关性。另外，LSTM虽然考虑了长距离词的相关性，但提取特征不够充分。针对这些问题，提出了一种CNN和LSTM结合的实体关系抽取方法，采用3种结合方法进行了实验，验证了该方法的有效性，在F1值上有一定的提升。

项目简介 用搭载Keras的tensorflow框架通过卷积神经网络训练模型，使用贝叶斯分类器识别人类的情绪。 根据情绪选择相应的emoji匹配 （更多详情请打开FaceEmotionClassifier.ipynb文件） 项目环境 数据集： Fer2013 ( kaggle挑战赛 ) ，Emoji表情集 神经网络框架： Keras,Tensorflow-gpu 分类器： 基于Opencv-Normal Bayes Classifier(正态贝叶斯分类)训练的贝叶斯分类器 配置环境： python==3.6.0 tensorflow-gpu==1.8.0 keras-gpu==2.1.6 opencv==3.3.1 其他环境详见：environment.yaml

分享课程——基于深度学习的LSTM情感分析，完整版视频课程，提供代码+数据下载。 学习完本门课程，您将对自然语言处理技术有更深入的了解，学习基于深度学习情感分析方法;课程基于PyTorch主流框架实现，其中涉及深度学习主流框架LSTM模型以及自然语言处理的词向量；彻底学习中文情感分析。 课程简介 NLP领域的热门应用，常用在舆情分析，文章分类，智能客服，情感分析等多个场景。情感分析作为自然语言处理的基础技术之一，常被用于电商评论、舆情监控、微博评论情感分析、话题监督等领域，因此深入学习情感分析技术，是作为自然语言处理从业者必备技能，本课程以案例驱动出发，结合多个项目实战案例，覆盖多种算法，如RNN，LSTM等

music_recommender

纯手写卷积神经网络，未使用任何神经网络框架，使用numpy纯手写卷积神经网络，研究此代码可充分搞懂卷积神经网络原理，本人也是通过此代码亲自走过来的。代码简单。 适用人群：适用于有意愿彻底搞懂卷积神经网络底层原理的同学，适合做该领域研究的学者，较易上手。 阅读建议：对于想学习python的同学，可通过此小项目一边研习python代码语法，一边学习卷积神经网络算法，可以很快入门python,并掌握基础的卷积神经网络算法。

anaGo anaGo是一个在Keras中实现的用于序列标记（NER，PoS标记等）的Python库。 anaGo可以解决序列标记的任务，例如命名实体识别（NER），词性标记（POS标记），语义anaGo anaGo是用于序列标记（NER，PoS标记等）的Python库，在Keras中实现。 anaGo可以解决序列标记任务，例如命名实体识别（NER），词性标记（POS标记），语义角色标记（SRL）等。 与传统的序列标签求解器不同，anaGo不需要定义任何语言相关的功能。 因此，我们可以轻松地将anaGo用于任何语言。 作为anaGo的示例，下图显示了英语的命名实体识别：

在智能手机上使用递归神经网络（RNN），LSTM和Tensorflow进行人类活动识别 这是我硕士课程的项目，其中涉及使用无线传感器数据挖掘实验室（WISDM）的数据集为端到端系统构建机器学习模型，以使用智能手机加速度计，Tensorflow框架，递归神经网络预测人类的基本活动网络和多个长期短期存储单元（LSTM）堆栈，用于构建具有隐藏单元的深度网络。 训练模型后，将其保存并导出到android应用程序，并使用模型作为概念验证和UI界面进行预测，以使用文本语音API讲出结果。 处理： 清理并合并数据 根据模型要求，通过将每个序列活动的固定长度序列（200个）作为训练数据来进行数据预处理，以最大程度地提高模型的效率。 将数据分为训练（80％）和测试（20％）集。 通过堆叠带有2个完全连接的RNN的多层LSTM内存单元（这将解决消失的梯度问题）来构建一个深层网络。 使用Tensorflow框架构建整个模型，并创建占位符以供模型在端到端系统中访问。 创建最小化损失的损失函数，我们使用最小二乘误差（LSE）或L2范数，因为它将通过一个解决方案提供稳定的解决方案。 在整个训练期间，