使用LSTM +CNN对EGG 进行分类预测，一维CNN提取数字信息特征，LSTM 进行分类预测

CNN_Genetic_algorithm:使用GA查找最佳超参数

OpenCV中使用Mask R-CNN进行基于深度学习的对象检测和实例分割

《深度学习入门+基于Python的理论与实现》的代码实现

得益于互联网技术的快速发展，情感分析/分类技术近来也受到了大量的关注。情感分析已经成长为自然语言处理（NLP）中最活跃的研究领域之一，而情感分类是众多情感分析任务中必不可少的一环。本文使用文本分类中经典的TextCNN模型，对给定的中文电影评论进行情感分类。通过设计合理的网络结构，并使用pytorch进行实现，取得较为不错的效果。 关键词：情感分类 TextCNN pytorch

网络中具有跳过连接和网络的深度CNN可以实现快速，准确的图像超分辨率 由，桑岛茂和ita 概述（版本2）。 这是基于深度学习的基于单图像的超分辨率（SISR）模型实现的张量流实现。 我们将其命名为DCSCN 。 如果要检查纸张的代码和结果，请检查。 模型结构如下。 我们将Deep CNN与残留网络，跳过连接和网络中的网络一起使用。 Deep CNN和Skip连接层的组合用作局部和全局区域中图像特征的特征提取器。 类似于1x1并行CNN，也称为网络中的网络，也用于图像重建。 作为版本2，我们还实现了这些功能。 来自像素混洗器 来自转置-CNN （可选） 来自自我整合 裁剪归一化（渐变裁

门控CNN 这是Keras的“门控线性单元”的实现。 要求 Keras 2.1.2 Tensorflow 1.0.0 其他可以在requirements.txt中看到 用法 主类是GatedConvBlock在py/gated_cnn.py 。 由于门控线性单元（GLU）中存在残留连接，因此conv的填充必须same 。 让我们举个例子。 from gated_cnn import GatedConvBlock model = Sequential() model.add(Convolution2D(nb_filters, kernel_size, padding='valid', input_shape=input_shape)) model.add(Activation('relu

该项目有两部分： 1.预处理： 预处理脚本使用小波变换对EEG信号进行去噪，降低采样频率并将10分钟片段分成15个时间序列。项目的这部分是用MATLAB编写的。该脚本位于source/Preprocessing/Preprocess_data.m下。 2.CNN+LSTM：预处理完成后，将使用此数据训练CNN+LSTM模型。 架构如下图所示： source/DataGenerator.py脚本是一个自定义类，用于将数据批量加载到内存中，而不是一次加载整个数据集。有关该类的更多信息，请参阅脚本中的注释。

基于遗传算法的CNN结构自动设计器

门控SCNN 基于ICCV 2019论文 SCNN PyTorch门控SCNN的实现，。 要求 conda install pytorch torchvision cudatoolkit=11.0 -c pytorch 蒂姆 pip install timm OpenCV pip install opencv-python 城市景观 pip install cityscapesscripts 用法 火车模型 python train.py --epochs 175 --backbone_type resnet101 optional arguments: --data_path Data path for cityscapes dataset [default value is 'data'] --backbone_type