【Python项目实战】基于时间卷积网络(Temporal Convolution Network ,TCN)的发动机剩余寿命预测 航空发动机结构复杂,状态变量多且相互之间存在着严重非线性特征,传统的基于物理失效模型的方法难以精确地预测发动机的剩余寿命(RUL)。针对此问题,采用时间卷积网络(Temporal Convolution Network ,TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对发动机剩余寿命进行预测,预测过程通过建立退化模型,给每个训练样本添加RUL标签;将特征输入构建的卷积神经网络得到剩余寿命的预测值。为了验证方法的有效性,在NASA提供的涡轮风扇发动机仿真数据集(C-MAPSS)上进行了测试,,结果表明采用TCN算法拥有更高的精度。

AmSoftmax pytorch实现代码

资源包含文件：源码及数据 在本实验中，正常域名来自于 Alexa 网站的域名点击排行，总共收集了 100 万个正常域名。 DGA 域名则来自于 360 网络实验室和 osint 公开的 DGA 域名种子网站，它们都属于公开的数据源。其中，从 360 网络实验室收集了 34 类不同家族的 DGA 域名，总共 136 万个 DGA 域名。从 osint 网站上收集了 44 类不同家族的 DGA 域名，总共 144 万个 DGA 域名。 详细介绍参考：https://blog.csdn.net/sheziqiong/article/details/125598200

Could not load dynamic library 'cublas64_11.dll'; Could not load dynamic library 'cublasLt64_11.dll'; Could not load dynamic library 'cufft64_10.dll'; Could not load dynamic library 'curand64_10.dll'; Could not load dynamic library 'cusolver64_11.dll'; Could not load dynamic library 'cusparse64_11.dll';

红细胞检测模型，对应的数据集（有xml文件和jpg文件）

可以用于二维码识别模型的训练，包括jpg文件和xml文件，里面还有训练好的pt模型文件

python深度学习代码和数据集.iso

基于python的中文语音识别系统. 包含声学模型和语言模型两个部分组成，两个模型都是基于神经网络。 声学模型 - acoustic_model文件夹下 该项目实现了GRU-CTC中文语音识别声音模型，所有代码都在gru_ctc_am.py中，包括： 增加了基于科大讯飞DFCNN的CNN-CTC结构的中文语音识别模型cnn_ctc_am.py，与GRU相比，对网络结构进行了稍加改造。 完全使用DFCNN框架搭建声学模型，稍加改动，将部分卷积层改为inception，使用时频图作为输入，cnn_with_fbank.py。 新增使用pluse版数据集的模型，cnn_with_full.py，建议直接训练这个模型。 语言模型 - language_model文件夹下 新增基于CBHG结构的语言模型language_model\CBHG_lm.py，该模型之前用于谷歌声音合成，移植到该项目中作为基于神经网络的语言模型。 数据集 增加stc、primewords、Aishell、thchs30四个数据集，整理为相同格式，放于acoustic_model\data中,调用四个数据集的脚本

Python深度学习-1-8章代码.zip

感知机、正则化、损失函数等，以前学习的时候看的