针对目前发票自动分类方法对发票类型分类准确率不高的问题，提出了一种改进的AlexNet网络对发票类型进行快速高效的自动识别方法，在AlexNet的基础上对其参数进行改进，在大型数据集ImageNet上对网络进行训练，将训练好的AlexNet网络前五层作为特征提取器，对AlexNet提取的特征进行分类识别，最后在实验中采用不同的交叉验证方法，并与改进前的AlexNet网络分类结果进行比较。结果表明，提出方法的准确度达到98％的分类精度，高于传统AlexNet分类器的85%。目前系统已开始试用，并且性能稳定，满足了发票系统的业务需要。

内容包含详细注释 代码中有数据集的下载程序: 人工构造简单二分类数据集，两个数据集大小为100，样本特征维度为2，且分别服从均值互为相反数且方差相同的正态分布。两个数据集的样本标签分别为0和1。 Fashion-MNIST数据集，该数据集为一个多类图像分类数据集，包含60000个训练图像样本，10000个测试图像样本。每个样本的数据格式为28*28*1。共10类：dress（连⾐裙）、coat（外套）、 代码内容包括： PyTorch基本操作实验； Torch.nn实现Logistic回归实验、softmax回归实验、实现前馈神经网络（多分类、二分类、回归）； 手动实现Logistic回归实验、softmax回归实验、实现前馈神经网络（多分类、二分类、回归）； 多分类实验torch.nn实现Dropout和多分类实验torch.optim实现L2范数正则化； 对多分类任务中的模型评估隐藏层层数和隐藏单元个数对实验结果的影响；

基于遗传算法优化BP神经网络的数据回归预测（Matlab完整程序和数据） 基于遗传算法优化BP神经网络的数据回归预测（Matlab完整程序和数据） 基于遗传算法优化BP神经网络的数据回归预测（Matlab完整程序和数据）

基于遗传算法优化BP神经网络的时间序列预测（Matlab完整程序和数据） 基于遗传算法优化BP神经网络的时间序列预测（Matlab完整程序和数据） 基于遗传算法优化BP神经网络的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上

基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据） 基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据） 基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据）

包含训练代码、预测代码、数据划分代码、网络代码等，采用pytorch框架所写。 代码中包含3D卷积神经网络和支持向量机（SVM）、随机森林（RF）、K最邻近（KNN）这三个机器学习算法。可以随意组合为3DCNN-SVM、3DCNN-RF、3DCNN-KNN。代码清晰，便于理解。也可单独训练3DCNN或者机器学习。

重点介绍神经网络在倒立摆控制问题中的研究方法

卷积神经网络，研究综述，pdf，CNN,

信息技术基础（WPS Office版）

神经网络与深度学习期末大作业—基于Tensorflow的手势识别系统.zip神经网络与深度学习期末大作业—基于Tensorflow的手势识别系统.zip神经网络与深度学习期末大作业—基于Tensorflow的手势识别系统.zip神经网络与深度学习期末大作业—基于Tensorflow的手势识别系统.zip神经网络与深度学习期末大作业—基于Tensorflow的手势识别系统.zip神经网络与深度学习期末大作业—基于Tensorflow的手势识别系统.zip神经网络与深度学习期末大作业—基于Tensorflow的手势识别系统.zip神经网络与深度学习期末大作业—基于Tensorflow的手势识别系统.zip神经网络与深度学习期末大作业—基于Tensorflow的手势识别系统.zip神经网络与深度学习期末大作业—基于Tensorflow的手势识别系统.zip神经网络与深度学习期末大作业—基于Tensorflow的手势识别系统.zip神经网络与深度学习期末大作业—基于Tensorflow的手势识别系统.zip神经网络与深度学习期末大作业—基于Tensorflow的手势识别系统.zip