研究小样本情况下，GAN在复杂产品费用预测上的应用。针对小样本情况下传统神经网络难以训练、预测准确度不高的问题，采用GAN网络与CNN网络结合的方法，借助GAN判别网络强大的特征提取能力，提取出样本的浅层特征，并将特征共享给CNN预测网络。CNN预测网络与判别网络共同约束生成网络，从而训练整个神经网络，最后以CNN预测网络进行复杂产品费用预测。以导弹作为复杂产品的样例进行实验，经实验论证，GAN-CNN联合网络预测的准确性约为95%。

颜色分类leetcode 外行术语中的算法： 机器学习中的水果图像识别过程与婴儿开始识别水果的过程非常相似。 例如，父母试图让婴儿学习颜色。 他们向宝宝展示颜色，并用它告诉宝宝颜色的名称。 而且他们只是不做一次，他们不断提醒宝宝并每天练习颜色识别练习！ 大脑中会发生一些化学物质，婴儿通过多次看到不同的颜色开始学习红色、黄色等颜色。 形状类似，宝宝开始认识圆形、矩形、三角形等。 然后父母不断提醒宝宝，如果它又红又圆，那就是“苹果”。 如果它是圆形的和橙色的，它就是一个“橙色”等等。 也许作为人类，宝宝以后也会通过嗅觉和味觉来识别水果。 所以，和父母一样，我们在机器学习模型（你可以考虑婴儿的大脑）中输入各种图像和一些数学方程（将其视为大脑中的那些化学React），这些方程识别不同的特征（婴儿会考虑的因素）识别水果，如颜色、大小、形状、气味、味道）。 通过不同的组合，宝宝最终会对水果进行分类。 因此，这里正在进行两项任务来识别图像的果实： 特征提取 --> 决定识别水果的因素 分类 --> 查看特征的组合并检查它与哪个水果最相似。 传统上，只有一种称为卷积神经网络 (CNN) 的算法用于与

基于卷积神经网络的图像识别研究

基于深度卷积神经网络的SAR 图像舰船小目标检测

卷积神经网络的经典论文，包括LeNet、AlexNet、ResNet、YOLO、R-CNN、VGG16，作为引领卷积神经网络发展的论文，无论是深度学习小白，还是已经进入深度学习领域但还没有读过这些论文，都可以尝试着看看这些论文，从而体会前人的思想。

使用飞桨实现手写数字识别

keras_captcha 这是一个用keras写的用于识别图像验证码的小程序

基于分层卷积神经网络的脑电信号情感识别系统的实现

直流神经网络 Conneau提出的用于文本分类的超深度卷积神经网络的Tensorflow实现。 现在已使用Tensorflow 2和tf.keras支持正确重新实现了VDCNN的体系结构。 根据实施一个简单的培训界面。 随意贡献其他实用程序，例如TensorBoard支持。 旁注，如果您是NLP文本分类的新手： 请检出新的SOTA NLP方法，例如或 。 检出以获得更好的动态绘图和数据集对象支持。 当前的VDCNN实现也非常容易移植到PyTorch上。 先决条件 Python3 Tensorflow> = 2.0 张量流数据集 麻木 数据集 原始论文测试了多个NLP数据集，包括D

大象艺术 他是谁？ Elephant Art是基于卷积神经网络和Monte Carlo树搜索的中国象棋引擎。 他还支持UCCI协议。 警告！ 大象艺术仍然是Alpha版。 许多组件不完整（包括UCCI，PGN和永久追求）。 我们不保证他将来会采用相同的格式。 在Linux或MacOS上构建 $ git clone https://github.com/CGLemon/ElephantArt $ cd ElephantArt $ mkdir build && cd build $ cmake .. $ make 更多选择 加速CPU上的网络。 需要OpenBlas。 $ cmake .. -DBLAS_BACKEND=OPENBLAS 通过GPU加速网络。 需要CUDA和CUDNN。 $ cmake .. -DGUP_BACKEND=CUDA $ cmake .. -DGUP_BAC