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

这是一份Python程序，使用卷积神经网络进行通信信号的调制识别。

此数据集包含了100个汉字的图片见，每个汉字都标上了数字标签，具体的使用可参考博客中的代码（手写汉字的分类识别）

使用 3D 多分辨率 R-CNN 的脑微出血 3D 实例分割框架 由 I-Chun Arthur Liu、Chien-Yao Wang、Jiun-Wei Chen、Wei-Chi Li、Feng-Chi Chang 撰写的论文“3D Instance Segmentation Framework for Cerebral Microbleeds using 3D Multi-Resolution R-CNN”的官方 PyTorch 实现Yi-Chung Lee, Yi-Chu Liao, Chih-Ping Chung, Hong-Yuan Mark Liao, Li-Fen Chen. 论文目前正在审查中。 关键词：3D 实例分割、3D 对象检测、脑微出血、卷积神经网络 (CNN)、磁敏感加权成像 (SWI)、3D Mask R-CNN、磁共振成像 (MRI)、医学成像、pytorch