fuck_verifycode 用tensorflow搭建CNN识别验证码 用到的库 tensorflow opencv numpy captcha 生成验证码 python utlilty.py 训练模型和验证模型准确率 python train.py GUI python crack_verifycode.py 杂七杂八 tensorboard的日志在log目录，模型保存在model目录，模型训练90个epoch，验证集大概能到98%的准确率

说明 本文是方法记录，不是完整的项目过程（在我Jupyter上，数据前期预处理部分懒得搬了），也没有调参追求准确度（家里电脑跑不动）。 参考任务来源于Kaggle，地址：电影评论情感分类 本文参考了不同的资料来源，包括斯坦福CS224N的课程资料，网上博客，Keras官方文档等 任务核心部分 1.单词表示 1.1 理论部分 对大部分（或者所有）NLP任务，第一步都应该是如何将单词表示成符合模型所需要的输入。最直接的思路就是将单词（符号）变为词向量。 词向量的表示方法： one-hot 编码：想法直接，但过于稀疏，且词与词之间正交，无法衡量词之间的相似度 基于矩阵分解的方法：比如不同词窗的矩阵，

多类别文字分类 在Tensorflow中实现四个神经网络，以解决多类文本分类问题。 楷模 LSTM分类器。 参见rnn_classifier.py 双向LSTM分类器。 参见rnn_classifier.py CNN分类器。 参见cnn_classifier.py。 参考： 。 C-LSTM分类器。 请参阅clstm_classifier.py。 参考：。 资料格式 训练数据应存储在csv文件中。 文件的第一行应为[“ label”，“ content”]或[“ content”，“ label”]。 要求 Python 3.5或3.6 Tensorflow> = 1.4.0 脾气暴躁的 火车 运行train.py训练模型。 参数： python train.py --help optional arguments: -h, --help show

该代码是一个安卓小项目，应用卷积神经网络访问手机加速度计进行的人体动作姿态识别算法的安卓端开发。开发时需要借助Android Studio.

预算matlab代码多任务睡眠网 Huy Phan，Fernando Andreotti，Navin Cooray，Oliver Y.Chén和Maarten De Vos。 IEEE Transactions on Biomedical Engineering ，第一卷。 66号5，pp.1285-1296，2019 这些是两个睡眠数据库的源代码和实验设置： SleepEDF扩展数据库和MASS数据库，在我们上面的arXiv预印本中使用。 尽管网络有很多共同点，但我们尝试将它们分离并使其独立工作，以简化对它们的探索。 您需要下载数据库以再次运行实验 SleepEDF扩展的数据库可以从下载。 我们还包括一个Matlab脚本，您可以使用该脚本进行下载。 MASS数据库可在此处获得。 有关如何获取它的信息，可以在其中找到。 目前对于MASS数据库， Tsinalis等。 的网络和DeepSleepNet1 （ Supratak等人）仍然缺失。 我们目前正在清理它们，并将很快对其进行更新。 如何运行： 下载数据库 资料准备 将目录更改为[database]/data_processing/

Tensorflow实现“ CT结肠造影中具有有限数据集的息肉候选者检测的3D卷积神经网络框架”，Chen Yizhi，2018年，EMBC。 版权保留。 免费提供各种用于研究目的的复制和修订。 在Tensorflow1.4，Python2.7，Ubuntu16.04下 文件结构 您应该参考Configuration.py以全面了解程序和数据库的文件结构。 数据输入 为了避免训练时加载完整尺寸的CT卷所需的大量时间，我们将首先裁剪该卷，然后将它们组织为单独的POLYP DATASET。 像Configuration.py中一样准备CT结肠造影数据。 在文本文件中列出所有CT卷的目录。 在Configuation.py中修改几个重要的目录变量。 运行dataBase.py以构造信息文件和息肉数据集。 训练 “ cd version2”和“ python train.py --fold

vgg脸 使用PyTorch的人脸分类Python脚本 需要安装PyTorch 运行test.py文件 从获得的原始Caffe模型和测试图像/names.txt 从获得的.h5和

为提高大规模恶意代码分类任务的分类准确率，提出基于词向量的恶意代码分类模型，引入NLP中表达语义含义的词向量概念，提取恶意代码函数语义特征，使用textCNN神经网络对其进行分类。实验结果表明，该模型在微软公司提供的BIG2015恶意代码分类比赛的训练集上能实现98.78%的预测准确率，相较几种传统方法准确率分别提高0.91%~3.16%。

lstm-char-cnn, 基于CNN的LSTM语言模型 基于的字符识别神经语言模型论文字符识别神经语言模型 ( AAAI 2016 )的代码。基于字符输入的神经语言模型( NLM ) 。 预测仍在单词级别进行。 模型采用卷积神经网络( CNN ) 作为输入，作为长周期记忆( LSTM )

字母识别 使用Keras和TensorFlow实现的卷积神经网络。 它使用具有26个大写字母数字符号的类似MNIST的数据集。 使用生成的数据对模型进行训练，训练后，权重将保存并为TensorFlow.js支持的格式。 实时网络应用程序在。