这是基于 CIFAR10 数据集的 CNN 在 TensorFlow 上的实现，与 上一个 相比增加了 TensorBoard 的实现，可以在浏览器中查看可视化结果。tensorboard 目录存放着用于可视化的日志文件。

深度学习Caffe框架实战剖析教程（深度学习、机器学习、LeNet-5模型、MNIST数据集、CNN），本教程以目前已经大量用于线上系统的深度学习主流框架Caffe为例，从底层开始，由浅入深，先是概述Caffe框架，说明其和深度学习的关系，然后讲解并演示 Caffe的配置、部署、使用，接着讲解了Caffe的基本数据结构，然后通过大量的阅读Caffe源码理解其精髓，加强对深度学习理论的理解，终达到熟练运用 Caffe 解决实际问题的目的。

针对传统的示功图识别方法对抽油机井进行故障诊断存在人工选取示功图特征,识别准确度低等问题,基于人工智能理论,提出一种卷积神经网络(CNN)和支持向量机(SVM)相结合的示功图智能识别模型。利用卷积神经网络对示功图图像特征自动提取,利用支持向量机根据提取的深层图像特征给出故障诊断结果。结果表明,将CNN与SVM结合用于示功图识别不仅省去了人工选取示功图特征这一环节,而且识别准确度也高达99.71%,测试性能优于其他识别模型。该模型的提出为抽油机井故障的快速准确诊断提供了可行的解决方案,对油田高效作业具有重要意义。

田春伟，徐勇，费伦克，王俊谦，文杰和罗楠发布的增强型CNN用于图像去噪，已在2019年CAAI Transactions on Intelligence Technology上发表。该方法由Pytorch实施。 ECNDNet的代码由Profillic（为您的项目提供动力的ML模型和代码的最大集合）收集，为 。 此代码使用Pytorch> = 0.4编写。 1.依存关系 pyTorch（> = 0.4） 火炬视觉 适用于Python的openCv 适用于Python的HDF5 Python 2.73 2.测试ECNDNet 如果噪声级别为15，我们将运行以下commod： python test.py --num_of_layers 17 --logdir sigma15 / --test_data Set68 --test_noiseL 15 或python test.py --num_

随着大数据和人工智能的发展, 将人工处理专利的方式转换为自动化处理成为可能. 本文结合卷积神经网络(CNN)提取局部特征和双向长短记忆神经网络(BiLSTM)序列化提取全局特征的优势, 在BiLSTM隐藏层引入注意力机制(Attention机制), 提出了针对中文专利文本数据的BiLSTM_ATT_CNN组合模型. 通过设计多组对比实验, 验证了BiLSTM_ATT_CNN组合模型提升了中文专利文本分类的准确率.

深度卷积神经网络特征提取的数学理论 . pdf

CNN-Numpy-实施 手动实现卷积神经网络，而无需使用诸如pytorch和tensorflow之类的现代库。 换句话说，我从头开始构建了一个神经网络，其中涉及实现正向和反向传播。 我手动编写了反向传播代码，并使用numpy手动实现了每一层的偏导数。 我在这里使用的方程式示例可以在这里找到。 E.Bendersky（2016年10月28日）。 Softmax函数及其导数。 取自 我最完善，最成功的网络是跟踪多个功能的多元回归CNN。 它可以正确确定两个图像之间的形状数量差异以及是否存在反射，但是在测量旋转度和形状之间的填充颜色差异方面存在困难。 为了训练该网络，我必须生成自己的数据集。 项目描述 AI研究人员已将Raven的渐进矩阵（RPM）视觉智商测试用作开发新策略，算法和认知代理的测试平台。 通过构建可以逐步解决更棘手问题的智能体，研究人员希望推动人工智能领域的发展。 下面显示了

中文 | Chinese-number-gestures-recognition Chinese number gestures recognition app（数字手势识别APP，识别0-10） 基于卷积神经网络的数字手势识别APP（安卓） 1、项目简介 这是一个基于卷积神经网络的数字手势识别APP（安卓），主要功能为：通过手机摄像头识别做出的数字手势，能够识别数字0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 对应的手势。 Chinese-number-gestures-recognition项目下包含两块代码：1. DigitalGestureRecognition为安卓APP代码；2. digital_gesture_recognition为PC端处理数据及训练模型代码，编程语言为python。 开发环境： PC端：python3.6, TensorFlow-gp

Sentiment_Analysis_Deep_Learning：使用深度学习（CNN）进行情感分析

本文提出了一种学习深度卷积神经网络(CNN)中可解释卷积滤波器的通用方法，用于对象分类，每个可解释滤波器都对一个特定对象部分的特征进行编码。我们的方法不需要额外的注释对象部分或纹理的监督。相反，我们使用与传统CNNs相同的训练数据。在学习过程中，我们的方法在一个高卷积层中自动分配每个可解释的过滤器，每个过滤器的对象都是某个类别的一部分。