口罩检测识别数据集（1200训练集+400测试集）。 可以直接拿过来进行训练；共1200张训练集，600张口罩佩戴，600张未佩戴口罩；400张测试集，200张口罩佩戴，200张未佩戴口罩。利用YOLO在数据集上冻结backbone训练了25个epoch，解冻后再训练了25个epoch，测试mAP为90.75%。 可以直接拿过来进行训练；共1200张训练集，600张口罩佩戴，600张未佩戴口罩；400张测试集，200张口罩佩戴，200张未佩戴口罩。利用YOLO在数据集上冻结backbone训练了25个epoch，解冻后再训练了25个epoch，测试mAP为90.75%。

牧场牛只分割图像数据集（300张图像，已划分训练测试集，含分割标签）.zip

Kaggle交通检测数据集测试集

泰坦尼克号生存分类数据集 包括训练集和测试集两个csv文件

tensorflow通过提取Mfcc特征+卷积神经网络来实现语音分类的测试文件 ddd是train训练文件，test_Data是测试文件

sklearn的cross_validation包中含有将数据集按照一定的比例，随机划分为训练集和测试集的函数train_test_split from sklearn.cross_validation import train_test_split #x为数据集的feature熟悉，y为label. x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.3) 得到的x_train,y_train（x_test,y_test）的index对应的是x,y中被抽取到的序号。 若train_test_spli

猫的识别数据集，训练集共209张，测试集50张

## 1.代码 ### 1.1 模型代码 **版本1.0**：包含TE_main1（5个）和TE_main2（4个），前者用于特征提取，后者用于分类器。此版本模型均为二分类，且前者提取到的特征会保存为csv文件，后者直接读取csv文件训练二分类器，并做预测。 *第一版的一个未完成代码：TE_main_tSNE.py，该代码是为了复现 “SAE+t-SNE+DBSCAN&K-means”这篇论文，但是没有完成.* **版本2.0**：包含TE_Main_DAE+Softmax.py和TE_Main_LSTM&DAE+Softmax.py两个文件（“预训练 + 微调”）。 **版本3.0**：包含TE_FinalModel1 ~ TE_FinalModel10共10个文件。这个版本的模型思想是：将正常样本和故障样本分开提取特征，分开训练二分类器（也是每个故障单独研究），效果极好，最后一个LSTM模型直接训练、测试全部达到了100%，这是因为人为干预了分类器的训练，所以这个版本模型不符合实际规律。 **版本4.0**：TE_FinalModel1 ~ TE_FinalModel10中，

训练集带label.csv，在train文件夹中。 图片尺寸为105*35，使用时可调为120*40，可用于人工智能图片验证码识别需要数据集进行训练。

手写ox识别训练集+测试集手写ox识别训练集+测试集手写ox识别训练集+测试集