Attention-BiLSTM模型结构及所有核心代码： 1.model中实验的模型有BiLSTM、ATT-BiLSTM、CNN-BiLSTM模型； Attention与BiLSTM模型首先Attention机制增强上下文语义信息，并获取更深层次特征，最后通过Softmax进行回归，完成所属语音情感的预测。 2.系统为用Flask搭建网页框架的语音识别系统界面； 对于提到的语音情感识别方法平台为基于Windows操作系统的个人主机，深度学习框架采用的是tensorflow和Keras，其中TensorFlow作为Keras的后端。具体配置如下python3.6.5、tensorflow=1.12、Keras=2.2.4、flask==1.0.2 、librosa等。 具体界面效果可以参考博客内容。​​

提取声音信号的MFCC作为特征，利用CNN对五种动物信号完成分类。

时序预测 | MATLAB实现LSTM时间序列未来多步预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2018b及以上，可以实现未来100个值的预测。

Mask R-CNN数据标注和模型训练 教程：https://yidamyth.blog.csdn.net/article/details/124851003 使用Mask R-CNN标注自定义数据集，训练自己的模型。 本资源是教程中所需要加载的预训练模型，提供一个便捷的下载链接，大家也可以去噼里啪啦教程中给定的链接进行下载。 详细标注过程，及模型训练见教程。

深度学习在推荐系统上的运用，具体用了卷积神经网络（CNN）提取文本特征，融合PMF模型进行推荐深度学习在推荐系统上的运用，具体用了卷积神经网络（CNN）提取文本特征，融合PMF模型进行推荐深度学习在推荐系统上的运用，具体用了卷积神经网络（CNN）提取文本特征，融合PMF模型进行推荐

数据融合matlab代码基于CNN的多模式步态识别 弗朗西斯科·卡斯特罗（Francisco M. Castro）和曼努埃尔·J·马林·吉梅内斯（Manuel J.Marin-Jimenez） 此代码在TUM-GAID和CASIA-B的正常情况下运行测试。 对于其他情况，您只需下载数据集并构建相应的imdb。 该代码随附的模型为： 基于3D卷积的CNN，使用光流作为TUM-GAID的输入 基于3D卷积的CNN，可对TUM-GAID进行光流，灰度和深度模态的融合。 基于CNN的ResNet，使用灰色作为CASIA-B的输入。 基于3D卷积的CNN，可对CASIA-B进行光流和灰度的融合。 先决条件 MatConvNet库： MexConv3D（用于3D转换）： 将测试数据和模型下载到各自的文件夹中。 链接位于每个文件夹中的README文件中 该代码已经在Ubuntu 18.04和Matlab 2017b上进行了测试。 快速开始 假设您已将cnngaitmm库放置在文件夹 。 启动Matlab并键入以下命令： cd startup_cnngait demo_T

卷积神经网络简略版思维导图

时序预测 | MATLAB实现CNN(卷积神经网络)时间序列预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2018b及以上。

针对水质预测问题，以地表水水质监测因子作为研究对象，提出了一种基于长短期记忆（LSTM）神经网络的水质多因子预测模型，同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪，提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验，证明了所提出的方法均方误差最小，预测结果更准确.

用CNN识别验证码的实用教程，从数据标定到搭建服务， tensorflow captcha recognization practical tutorial