【深度学习】CNN卷积神经网络-识别阿喵阿汪源代码

集合了卷积神经网络从神经网络分类Alnex,GoogleNet v1-v4,VGG,Resnet,Network in Network论文，图像检测R-CNN,FAST-RCNN,Faster-rcnn，Mask-rcnn，SSPN-net，SSD,YOLO，YOLO_v2,YOLO_v3

细粒度分析学科领域热点主题发展脉络并对利用机器学习算法对未来发展趋势进行准确预测研究。防法/过程」提出一种基于机器学习算法的研究热点趋势预测方法与分析框架，以基因工程领域为例利用主题概率模型识别WOS核心集中论文摘要数据研究热点主题并进行主题演化关联构建，然后选取BP神经网络、支持向量机及LSTM模型等3种典型机器学习算法进行预测分析，最后利用RE指标和精准度指标评价机器学习算法预测效果并对基因工程领域在医药卫生、农业食品等方面研究趋势进行分析。实验表明基于LSTM模型对热点主题未来发展趋势预测准确度最高，支持向量机预测效果次之，BP神经网络预测效果较差且预测稳定性不足，同时结合专家咨询和文献调研表明本文方法可快速识别基因领域研究主题及发展趋势，可为我国学科领域大势研判和架构调整提供决策支持和参考。

人工智能_CNN_手写中文识别_CNN在线识别手写中文(python+flask) 使用python+flask搭建的一个网站，然后从网页的写字板上获取鼠标手写的汉字经过转码后传回后台，并经过图片裁剪处理之后传入CNN手写中文识别的模型中进行识别，最后通过PIL将识别结果生成图片，最后异步回传给web端进行识别结果展示。中文总共50,000多汉字，常用的有3,755个。这里主要对常见的3755个汉字进行识别。

人工智能_CNN_验证码识别_使用机器学习算法完成对12306验证码的自动识别 两个必要的数据集： 文字识别，model.h5 图片识别，12306.image.model.h5

卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络。

使用RNN和CNN实现微博分类

LSTM网络结合实例仿真 数据为7天，四个时间点的空调功耗，用前三个推测第四个训练，依次类推。第七天作为检验。LSTM网络输入结点为12，输出结点为4个，隐藏结点18个

1、内容概要：本资源主要基于Python实现kdd99入侵检测数据集预处理，搭建DNN和CNN神经网络实现kdd99入侵检测分类，适用于初学者学习入侵检测分类使用。 2、入侵检测数据集： 该数据集是从一个模拟的美国空军局域网上采集来的9个星期的网络连接数据,分成具有标识的训练数据和未加标识的测试数据。KDD99数据集总共由500万条记录构成，它还提供一个10%的训练子集kddcup.data_10_percent_corrected和测试子集corrected。 3、源代码Handle_data.py是kdd99数据集预处理源代码，kddcup.data_10_percent_corrected.xls是预处理后的数据集。 4、源代码：Kdd_dnn.py是基于DNN神经网络对入侵检测数据集进行分类；kdd_cnn.py是基于CNN神经网络对入侵检测数据集进行分类。

CNN可视化与帮助理解的相关资料