学习卷积神经网络的面部反欺骗 “”论文的实现 结果 CASIA内测 原始数据集：或（密码：h5un） 规模 1.0 1.4 1.8 2.2 2.6 吝啬的 开发EER 0.1094 0.0408 0.0346 0.0339 0.0670 0.0571 测试HTER 0.1033 0.0492 0.0568 0.0675 0.0875 0.0729 测试EER 0.0923 0.0461 0.0578 0.0665 0.0790 0.0683

神经自行车 该项目在个人设备和资源上运行。 网站上没有使用跟踪器，并且它是免费的。 如果您喜欢它，请考虑通过捐赠或解锁iOS应用程序上的其他功能来支持它。 为什么会存在？ 世界各地的自行车共享服务都存在相同的问题。 骑行方式不平等会导致整个城市的自行车分配不均。 这迫使工人重新平衡使用大型车辆的服务，或者通过激励用户从整站解锁自行车。 这是全球所有对接系统中都存在的问题。 自行车共享应用程序不会为用户提供有洞察力的信息。 它们仅提供反映系统实际状态的信息。 但是以前的模式会影响实际状态，甚至可能影响未来。 通过不断地收集数据，我试图通过使用最近几天的可用性来预测可用性来解决此问题。 该存储库包含用于生成预测的实际代码。所有数据分析，处理和神经网络训练均由该项目完成。 我正在尽可能多地更新此项目，以使其适应不同城市的需求。 到目前为止，每天都会对毕尔巴鄂，马德里，纽约和伦敦等城市进

可视化分析RNN的状态变化 有关LSTMVis，介绍视频以及实时演示链接的更多信息，请访问 还可以在或在线演示中查看我们关于序列到序列模型的新工作，为 V2.1中的更改 更新到Python 3.7 ++（感谢@nneophyt） V2的变化 新设计和服务器后端 隐藏状态轨道的离散缩放 添加了用于元数据和预测的注释轨道 为张量流添加了训练和提取工作流 客户端现在是ES6和D3v4 客户端的一些性能增强 添加了Keras教程（感谢Mohammadreza Ebrahimi） 安装 请使用python 3.7或更高版本来安装LSTMVis。 克隆存储库： git clone https://github.com/HendrikStrobelt/LSTMVis.git ; cd LSTMVis 使用安装python（服务器端）要求： python -m venv venv3 sour

项目：建立交通标志识别程序 该项目 该项目的目标/步骤如下： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 用书面报告总结结果 依存关系 该项目要求： tensorflow-gpu == 1.7.0 scipy == 1.0.0 matplotlib == 2.0.0 numpy == 1.14.2 opencv-contrib-python == 3.4.0.12 sklearn == 0.18.2 数据集探索 数据集摘要 。 加载数据集和基本摘要 加载数据集后，我得到以下摘要信息： 训练例数：34799 测试例数：12630 验证示例数：4410 图像形状为：（32 32，3） 类数标签：43 探索性可视化 该图像网格表示从训练集中每个类别中选择的一个随机图像 分配 现在，我们将探索分

步态识别系统[神经网络] V3.4：基于步态生物特征识别的神经网络的简单有效的源代码

猫和狗 当我们的数据集不足时，最常用的方法之一是使用预先训练的模型。 在我们的案例中，我们将考虑在ImageNet数据集上训练的大型卷积网络（140万个带标签的图像和1000个不同的类）。 ImageNet包含许多动物类别，包括不同种类的猫和狗，因此我们可以期望在猫与狗的分类问题上表现出色。 我们可以使用的一些主干： •Xception•InceptionV3•ResNet50•VGG16•VGG19•MobileNet 我将使用由Karen Simonyan和Andrew Zisserman在2014年开发的VGG16架构，该架构是ImageNet的一种简单且广泛使用的convnet架构。 VGG16： from keras.applications import VGG16 conv_base=VGG16(weights=('imagenet'),

由于电力线绝缘子的故障导致输电系统的故障，因此广泛使用基于空中平台的绝缘子检查系统。 绝缘子缺陷检测是针对航空图像中的复杂背景执行的，这提出了一个有趣但具有挑战性的问题。基于手工特征或浅层学习技术的传统方法只能在特定的检测条件下（例如何时）定位绝缘子并检测故障。在某些对象范围或特定照明条件下，具有足够的先验知识，背景干扰小。 本文讨论了使用航空图像自动检测绝缘子缺陷，准确定位从实际检查环境捕获的输入图像中出现的绝缘子缺陷的方法。我们提出了一种新颖的深度卷积神经网络（CNN）。级联体系结构，用于执行定位和检测。绝缘子中的缺陷。 级联网络使用基于区域提议网络的CNN将缺陷检查转换为两级目标检测问题。 为了解决实际检查环境中缺陷图像的稀缺性，还提出了一种数据增强方法，该方法包括以下四个操作：1）仿射变换； 2）仿射变换； 2）仿射变换。 2）绝缘子分割和背景融合； 3）高斯模糊； 4）亮度转换。 使用标准绝缘子数据集，缺陷检测精度和建议方法的召回率分别为0.91和0.96，并且可以成功检测到各种条件下的绝缘子缺陷。 实验结果表明，该方法符合绝缘子缺陷检测的鲁棒性和准确性要求。

Wavelet Neural Network.zip，这是一份不错的文件

图神经网络模型学习

EvoFuzzy 这是用于调整模糊推理系统的的非常简单的Python实现。 要求 已知依赖项： Python（3.5.5） 脾气暴躁（1.14.2） Matplotlib（2.2.2） 要安装依赖项，请cd到存储库的目录并运行pip install -r requirements.txt 代码结构 anfis.py ：包含python ANFIS实现。 diffevo.py ：包含差异进化算法的python实现（基于）。 fobj.py ：包含几个目标函数。 mackey.py ：包含一个示例，该示例使用差异演化来调整ANFIS以预测Mackey Glass系列。 本示例在序列的1500个点上训练系统，并绘制实际序列与预测序列的关系图。 要运行示例，请cd到存储库的目录并运行python mackey.py 去做： 实现除高斯人以外的成员资格功能。 实施其他进化算法来