摘 要：本文从手写数字识别这一较为简单的模式识别问题入手，探讨数据结构与算法在实际生活中的应用。本文研究两种手写数字识别算法——基于K-近邻算法（KNN）的手写数字识别算法和基于卷积神经网络（CNN）的手写数字识别算法，说明两种算法的基本原理，并对比两种算法之间的优缺点。
关键字：手写数字识别算法，KNN，CNN
2022-02-28 00:02:15
542KB
1
matlab终止以下代码通过训练卷积神经网络比较图像斑块进行立体匹配
资料库包含
用卷积神经网络计算立体声匹配成本的过程；
在立体匹配任务上训练卷积神经网络的程序；
和
基本的立体方法（基于交叉的成本汇总，半全局匹配，左右一致性检查，中值过滤器和双边过滤器）；
在KITTI数据集上运行至少需要6
GB内存的NVIDIA
GPU，在Middleiddle数据集上运行需要至少12
GB的NVIDIA
GPU。
我们在GTX
Titan（仅KITTI），K80和GTX
Titan
X上测试了该代码。该代码根据BSD
2条款许可发布。
如果您在工作中使用此存储库中的代码，请引用我们的文档。
@article{zbontar2016stereo,
title={Stereo
matching
by
training
a
convolutional
neural
network
to
compare
image
patches},
author={Zbontar,
Jure
and
LeCun,
Yann},
journal={Journal
of
Machine
Learning
Researc
2022-02-27 10:21:00
960KB
1
matlab画CNN网络图代码设计或可视化神经网络架构的工具
：Net2Vis从Keras代码自动为卷积神经网络生成抽象可视化。
：Visualkeras是一个Python软件包，可帮助可视化Keras（独立或包含在tensorflow中）神经网络体系结构。
它允许轻松的样式来满足大多数需求。
到目前为止，它支持分层样式体系结构生成，这对于CNN（卷积神经网络）和抓取样式体系结构非常有用。
import
visualkeras
model
=
...
visualkeras
.
layered_view
(
model
).
show
()
#
display
using
your
system
viewer
visualkeras
.
layered_view
(
model
,
to_file
=
'output.png'
)
#
write
to
disk
visualkeras
.
layered_view
(
model
,
to_file
=
'output.png'
).
show
()
#
write
and
show
visualkeras
.
layered_vie
2022-02-26 22:32:34
4KB
1
权重系数确定matlab代码CNN锥检测
如果您使用此软件的任何组件，请引用本文：D.
Cunefare，L。Fang，RF
Cooper，A。Dubra，J。Carroll，S。Farsiu，“用于在自适应光学检眼镜中自动检测视锥光感受器的开源软件使用卷积神经网络”，科学报告，2017年7月66日。根据GPL
v2许可发布。
笔记：
•该代码已在MatLab
2016b中进行了测试，并使用了MatConvNet团队开发的MatConvNet-1.0-Beta23（请参阅参考资料）。
•由于文件大小的限制，修补程序数据库被分为几部分。
如果您希望使用与本文中相同的培训补丁，请运行“
Code
\
Reassemble_IMDBs.m”。
之后，您可以删除文件夹“
IMDB组件”。
•坐标按列保存为（x，y）像素位置（在Matlab的默认坐标系中）。
•AFLD线保存在每个.mat文件的“
CombinedPos”变量中。
•CNN方法的结果保存在“图像和结果...
\
Validation
CNN
Coord”文件夹中。
锥坐标保存为每个.mat文件中的“
CNNPos”变量。
•
2022-02-26 22:22:45
719.97MB
1
简介
1、本项目是在tensorflow版本1.14.0的基础上做的训练和测试。
2、本项目为中文的多标签文本分类。
3、欢迎大家联系我
4、albert_small_zh_google对应的百度云下载地址：
链接：
提取码：wuxw
使用方法
1、准备数据
数据格式为：classifier_multi_label_textcnn/data/test_onehot.csv
2、参数设置
参考脚本 hyperparameters.py，直接修改里面的数值即可。
3、训练
python train.py
4、预测
python predict.py
知乎代码解读
2022-02-25 19:21:34
189KB
1
用UNSW数据集进行入侵检测，运用各种组合模型，精确度能达到90%以上，运用比较流行的神经网络模型分别进行了测试
2022-02-25 15:22:24
27.02MB
Breakout-RL：使用带有CNN的DQN解决OpenAI Gym Env突破
2022-02-24 16:30:50
5KB
1
基于CNN卷积神经网络识别mnist手写数据集所有源码，包括误差反向传播实现的各种层以及加载mnist数据集的方法
2022-02-23 21:07:23
10KB
1
cnn源码matlab去建立图像处理历史
我们的目标是重现论文中提到的结果。
我们在这个实现中使用了
Pytorch，并试图坚持论文中使用的
CNN
架构，但做了一些调整以获得更好的结果。
建筑学
训练分两个阶段进行，因此使用了两个
CNN，其架构如下：
模型一
模型二
要求
Python3.x
最新版本的
Pytorch（您可以按照任何标准博客安装
pytorch）
麻木的
泡菜
虚拟环境
具有
10Gb
或更多内存的
GPU（我们使用
Nvidia
1080Ti
进行训练）
指示
生成数据集：
首先，需要下载存在的
BossBase
原始图像。
然后，提取
tar
文件，在父目录中创建一个文件夹datasets/1.data并将提取的图像复制到该文件夹中。
接下来，打开
Matlab
并在项目的matlab文件夹中运行命令cr2jpeg和loldata
。
这些命令可能需要相当长的时间。
运行这些命令后，数据集文件夹内的目录结构将如下所示：
.
├──
jpegs
├──
test
|
|──
ctr
|
│
├──
denoise
|
│
├──
high
|
│
├──
l
2022-02-22 12:26:39
175KB
1