CS231n的Assignment, 用Python3.6.3写的，大家可以参考一下，

Paints Chainer 线条绘图着色使用链接器，使用CNN，您可以自动/半自动为您的草图着色。

Yong Li , Student Member, IEEE, Jiabei Zeng , Member, IEEE, Shiguang Shan , Member, IEEE, and Xilin Chen, Fellow, IEEE

水平集matlab代码 DogClassification 原理说明 首先，将数据按照mat文件所记录的方式分为训练集和测试集两部分。由于12000张的训练集有点少，所以对每张训练图片采集它的左上角80%区域、右上角80%、左下角80%、右下角80%、中间80%，然后对其进行水平翻转，这样一张图片就变成了10张。 接着，训练方式采用迁移学习，使用已经训好的VGG16模型，去掉最后几层的全连接层后，接上自己的模型进行训练。每张图片丢进VGG16的卷积层得到一个7*7*512维的特征向量，flatten之后，由于数据量少，将后续的两个全连接层的维度从4096降到1024，dropout取0.5（防止过拟合），最后加上softmax，类别设置为120。 训练结果 Epoch 500/500 120000/120000 [==============================] - 183s - loss: 1.7354 - acc: 0.8910 precision recall f1-score support avg / total 0.61 0.64 0.62 8580 更新日

对金融时间序列的建模，第一列数据为预测项

作者： Ivan Bongiorni ，数据科学家。 卷积递归Seq2seq GAN用于时间序列数据中缺失值的插补 描述 该项目的目标是为时间序列数据的插补实现递归卷积Seq2seq神经网络的多种配置。 提供了三种实现： 循环卷积seq2seq模型。 基于上述相同体系结构的GAN （生成对抗网络），其中训练了Imputer来欺骗试图区分真实和假（推算）时间序列的对抗网络。 一种部分对抗的模型，其中先前模型的两种损失结构都组合在一个模型中：Imputer模型必须减少真实的错误损失，同时尝试欺骗鉴别器。 模型在TensorFlow 2中实现，并在数据集中进行了训练。 档案文件 config.yaml ：用于数据预处理，培训和测试的配置参数。 管道： main_processing.py ：启动数据预处理管道。 其结果是将准备好训练的数据集以.npy（ numpy ）格式保存在/da

主要介绍了pytorch cnn 识别手写的字实现自建图片数据，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧

报告： https : //arxiv.org/abs/1802.00153 PPT： https : //drive.google.com/open? id = 1xPczR_qNS-FZA- cM1FUzDYT41kI08Xpe 如果您使用此代码，请引用为： 马哈茂德·阿菲菲。 “语义白平衡：使用卷积神经网络的语义颜色恒常性。” arXiv 预印本 arXiv:1802.00153 (2018)。 @article{afifi2018semantic , title={语义白平衡：使用卷积神经网络的语义颜色恒常性}， 作者={Afifi, Mahmoud}, 期刊={arXiv 预印本 arXiv:1802.00153}, 年={2018} }

利用细胞神经网络(CNN)模型导出了一种新的彩色图像边缘检测算法。为了充分利用图像中的颜色信息, 在RGB 彩色空间中用Mahalanobis 距离来度量象素之间的差异。为了解决常规边缘提取方法输出二值结果的缺点, 采用可以多值输出的CNN 来进行彩色图像边缘检测。通过Mahalanobis 距离对灰度CNN 度量象素差异的方式进行改进, 使其可以在RGB 彩色空间中进行运算。通过与Sobel、Log 和Canny 等几种边缘检测算子比较, 可以看出新方法的结果更加符合人眼的感知。此外, 在含有丰富细节和微小变化的区域, 新方法可以取得更好的结果。

该数据集包含了2527个生活垃圾图片。数据集的创建者将垃圾分为了6个类别，分别是： 玻璃（glass）共501个图片 纸（paper）共594个图片 硬纸板（cardboard）共403个图片 塑料（plastic）共482个图片 金属（metal）共410个图片 一般垃圾（trash）共137个图片 物品都是放在白板上在日光/室内光源下拍摄的，压缩后的尺寸为512 * 384。