使用ResNet对图像进行分类，该代码只需更改分类数和图像路径即可运行，需提前下载ResNet官方训练结果的文件。

为了提高图像分类准确率，提出了一种基于低秩表示的非负张量分解算法。作为压缩感知理论的推广和发展，低秩表示将矩阵的秩作为一种稀疏测度，由于矩阵的秩反映了矩阵的固有特性，所以低秩表示能有效地分析和处理矩阵数据，把低秩表示引入到张量模型中，即引入到非负张量分解算法中，进一步扩展非负张量分解算法。实验结果表明，所提算法与其他相关算法相比，分类结果较好。

张量 使用TensorFlow轻松进行图像分类 （） 要求： Mac或Linux机器 Python 3.5、3.6或3.7 您可以使用TensorPy对图像进行分类，只需在命令行中传递一个URL，或在Python程序中使用TensorPy。 完成所有实际工作。 TensorPy还通过将多个设置步骤自动化到一个脚本中来简化TensorFlow的安装（有关详细信息，请参见 ）。 （请阅读 ，以详细了解TensorPy的工作原理。） Mac和Ubuntu / Linux的设置步骤 （ Windows和Docker用户：有关在Docker计算机上运行的信息，请参阅。Windows需要Docker运行TensorFlow。） 步骤1：创建并激活一个名为“ tensorpy”的虚拟环境 如果不确定如何创建虚拟环境，请进行。 步骤2：从GitHub克隆TensorPy存储库 git clone

传统的卷积神经网络（CNN）是单任务网络，为实现带式输送机输煤量和跑偏的同时检测，使用2个卷积神经网络分别对输煤量和跑偏进行检测，导致网络体积大、参数多、计算量大、运行时间长，严重影响检测性能。为降低网络结构的复杂性，提出了一种基于多任务卷积神经网络（MT-CNN）的带式输送机输煤量和跑偏检测方法，可使输煤量检测和跑偏检测这2个任务共享同一个网络底层结构和参数。在VGGNet模型的基础上，增大卷积核和池化核的尺度，减少全连接层通道数量，改变输出层结构，构建了MT-CNN；对采集的输送带图像进行灰度化、中值滤波和提取感兴趣区域等预处理后，获取训练数据集和测试数据集，并对MT-CNN进行训练；使用训练好的MT-CNN对输送带图像进行识别分类，实现输煤量和跑偏的准确、快速检测。实验结果表明，训练后的MT-CNN在测试数据集中检测准确率为97.3%，平均处理每张图像的时间约为23.1 ms。通过现场实际运行验证了该方法的有效性。

用于图像分类的美式橄榄球和橄榄球图像数据集，共下载3058张图片，分为训练和测试两部分，train文件夹有2448张图片，test文件夹有610张。橄榄球类和足球类各有1224张图片。 用于图像分类的美式橄榄球和橄榄球图像数据集，共下载3058张图片，分为训练和测试两部分，train文件夹有2448张图片，test文件夹有610张。橄榄球类和足球类各有1224张图片。

用于木薯病图像分类的InceptionV3模型， 用于木薯病图像分类的InceptionV3模型， 用于木薯病图像分类的InceptionV3模型，

铁路轨道缺陷与非缺陷的图像分类数据集，每类超过130张图片 铁路轨道缺陷与非缺陷的图像分类数据集，每类超过130张图片 铁路轨道缺陷与非缺陷的图像分类数据集，每类超过130张图片

骰子图像分类数据集，数据格式为二进制，记录长度为401字节。第一个字节包含类(1到12，注意它不是从0开始的)，其他400个字节是图像行。我们提供100万张图片，分成10个文件，每个文件有100k条记录，还有一个额外的测试集，包含10,000张图片。

Keras CNN分类器 该存储库提供代码以根据Tensorflow 2.0中Keras API提供的预训练卷积神经网络（CNN）设置和训练自己的图像分类器。 您可以利用转移学习对自己收集的数据集进行训练，或者从头开始训练网络以比较大型数据集的性能。 如何使用 这个仓库的主要代码包含在ClassifierCNN类Classifier.py 。 您真正需要做的就是导入该类，设置一个适当的实例来指定所需的数据集和模型，一切顺利。 下面提供了一些示例： # Import pre-trained Keras CNN Model from keras.applications.densenet import DenseNet169 # Import ClassifierCNN class from Classifier import ClassifierCNN # Instantiate clas

大家好，今天给大家带来一个卷积神经网络（CNN）数学图形识别项目(简单入门版)，这个是人工智能解题的基础，机器首先通过题目识别出题目中的文字和图形，读懂题目的含义，这个是个相对复杂的过程。就在今年的1月4日，麻省理工学院等四所高校的联合研究团队，发布了一项最新研究成果：他们开发了一个神经网络，可以解答出微积分、线性代数等大学数学题。不管是要求计算数值，还是写方程式，或者画出函数图形，都能轻易解答，正确率达到了100%。要知道，在短短几个月前，人工智能解答类似的题，最高正确率不到10%。