在Alexnet网络模型的基础上，基于迁移学习原理，来训练R-CNN目标检测网络。并对Matlab自带的stop sign(停止标志)图像数据集进行识别，该数据集已标注好。其实现步骤如下： 步骤一：导入Alexnet预训练的模型 步骤二：载入训练集图像 步骤三：设置训练参数，并基于迁移学习原理，在Alexnet卷积神经网络基础上，通过41幅包括stop sign的图像训练R-CNN检测器。 步骤四：使用测试图像检验训练好的目标检测器对stop sign图像的检测效果，在原图上标记目标区域并显示类别和置信度。

MATLAB实现WOA-CNN-BiGRU鲸鱼算法优化卷积双向门控循环单元数据分类预测 1.Matlab实现WOA-CNN-BiGRU多特征分类预测，多特征输入模型，运行环境Matlab2020b及以上； 2.基于鲸鱼算法(WOA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)分类预测，优化参数为，学习率，隐含层节点，正则化参数； 3.多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用； 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图； 4.data为数据集，输入12个特征，分四类；运行主程序即可，其余为函数文件，无需运行.

蜜蜂CNN模糊进化深度学习算法（人脸识别，智能优化算法，MATLAB源码分享） 在训练阶段之后，可以使用进化算法拟合深度学习权重和偏差。 这里，CNN用于对8个人脸类别进行分类。 在CNN训练之后，创建初始模糊模型以帮助学习过程。 最后，CNN网络权重（来自全连接层）使用蜜蜂算法训练，以自然启发的方式进行拟合（这里是蜜蜂的行为）。 可以将数据与任意数量的样本和类一起使用。 请记住，代码的参数是根据数据进行调整的，如果要替换数据，可能需要更改参数。 图像数据大小为64*64，2维，存储在“CNNDat”文件夹中。 因此，重要的参数如下： “numTrainFiles”=您必须根据每个类中的样本数量来更改它。 例如，如果每个类有120个样本，那么90个就足够好了，因为90个样本用于训练，而其他样本用于测试。 “imageInputLayer”=图像数据的大小，如[64 64 1] “fullyConnectedLayer（完全连接层）”=类的数量，如（8） “MaxEpochs”=越多越好，计算运行时间越长，如405。 “ClusNum”=模糊C均值（FCM）聚类数，如3或4很好

ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据） ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据） ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据）

用CNN做rul.通过卷积神经网络测得轴承的剩余使用时间。用来做轴承寿命预测RUL，包括训练集和测试集两部分，还有说明文档pdf

高光谱图像分类2D_CNN网络代码 基于pytorch框架制作 全套项目，包含网络模型，训练代码，预测代码，直接下载数据集就能跑，拿上就能用，简单又省事儿 内附indian pines数据集，采用20%数据作为训练集，并附上迭代10次的模型结果，准确率99左右。

有微分熵的提取，并转化为4维数据形式【4800，4，9，9】与近几年发表的论文数据处理形式一样。测试集准确率达91.62验证集达93.96

内容包含Matlab编写的CNN程序代码，每一步都有详细的注解，易于阅读和调试代码。有相应的故障数据集，直接下载下来运行，可以替换为自己的数据集，如果想要得到更好地结果，可以调试网络结构相应的参数。

自然语言处理作业：基于CNN的文本分类模型训练 数据划分 分成训练集、验证集、测试集 加载预训练词向量模型 基于CNN的文本分类 数据划分 分成训练集、验证集、测试集加载预训练词向量模型 ../资料/实验/第四章/sgns.sogou.word.bz2 使用Keras对语料进行处理 提取文本中的词并向量化处理，也可以使用其他工具，或自己编写 定义词嵌入矩阵生成Embedding Layer构建模型、训练、评估 输出模型的准确率(以图的形式)

5-机器学习系列（5）：卷积神经网络CNN之--原理及python实现1