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。

车牌字符数据集-69类-包含汉字-英文-数字 可用于字符识别训练，神经网络cnn训练

跌倒检测两个流cnn 使用两流卷积神经网络（CNN）和运动历史图像（MHI）进行实时跌倒检测 该存储库包含使用两流CNN的实时跌倒检测模型的代码。 光流被“运动历史图像”（MHI）取代，可以进行实时推断。 utils.py文件包含用于生成数据的实用程序代码，train_model.py文件创建并训练模型，而fall_detection.py文件包含使用FDD数据集上的weights文件夹中的权重运行模型的代码。视频或您的网络摄像头。 有关模型架构，性能以及在不久的将来会出现的演示画面/图片的详细说明。 在生成的数据子集上实现了相当不错的交叉验证错误率。 当前致力于获取更多数据并完善数据生成技术。

【边缘检测】基于CNN的灰度图像边缘提取matlab源码.zip

1. 导入各种模块 基本形式为： import 模块名 from 某个文件 import 某个模块 2. 导入数据（以两类分类问题为例，即numClass = 2） 训练集数据data 可以看到，data是一个四维的ndarray 训练集的标签 3. 将导入的数据转化我keras可以接受的数据格式 keras要求的label格式应该为binary class matrices，所以，需要对输入的label数据进行转化，利用keras提高的to_categorical函数 label = np_utils.to_categorical(label, numClass 此时的label变为了