PDF格式。微博短文本情感分析的目的是发现用户对热点事件的观点及态度。已有的方法大多是基于词袋模型，然而，词袋模型 无法准确捕获带有情感倾向性的语言表现特征。结合卷积神经网络( CNN) 和长短期记忆网络( LSTM) 模型的特点，提出了卷 积记忆神经网络模型( CMNN) ，并基于此模型来解决情感分析问题。与传统算法相比，模型避免了具体任务的特征工程设计; 与 CNN 和LSTM 相比，模型既能够有效提取短文本局部最优特征，又能够解决远距离的上下文依赖。通过在COAE2014 数据集 上的实验来验证了模型对微博短文本情感分析的有效性。并与 CNN、LSTM 以及传统模型 SVM 做了实验对比，结果表明，模型 对于微博短文本情感分析在性能上优于其他3 种模型。

研究小样本情况下，GAN在复杂产品费用预测上的应用。针对小样本情况下传统神经网络难以训练、预测准确度不高的问题，采用GAN网络与CNN网络结合的方法，借助GAN判别网络强大的特征提取能力，提取出样本的浅层特征，并将特征共享给CNN预测网络。CNN预测网络与判别网络共同约束生成网络，从而训练整个神经网络，最后以CNN预测网络进行复杂产品费用预测。以导弹作为复杂产品的样例进行实验，经实验论证，GAN-CNN联合网络预测的准确性约为95%。

颜色分类leetcode 外行术语中的算法： 机器学习中的水果图像识别过程与婴儿开始识别水果的过程非常相似。 例如，父母试图让婴儿学习颜色。 他们向宝宝展示颜色，并用它告诉宝宝颜色的名称。 而且他们只是不做一次，他们不断提醒宝宝并每天练习颜色识别练习！ 大脑中会发生一些化学物质，婴儿通过多次看到不同的颜色开始学习红色、黄色等颜色。 形状类似，宝宝开始认识圆形、矩形、三角形等。 然后父母不断提醒宝宝，如果它又红又圆，那就是“苹果”。 如果它是圆形的和橙色的，它就是一个“橙色”等等。 也许作为人类，宝宝以后也会通过嗅觉和味觉来识别水果。 所以，和父母一样，我们在机器学习模型（你可以考虑婴儿的大脑）中输入各种图像和一些数学方程（将其视为大脑中的那些化学React），这些方程识别不同的特征（婴儿会考虑的因素）识别水果，如颜色、大小、形状、气味、味道）。 通过不同的组合，宝宝最终会对水果进行分类。 因此，这里正在进行两项任务来识别图像的果实： 特征提取 --> 决定识别水果的因素 分类 --> 查看特征的组合并检查它与哪个水果最相似。 传统上，只有一种称为卷积神经网络 (CNN) 的算法用于与

猫狗分类 牛津-IIIT宠物数据集。 问题在于对数据集中显示的每种动物进行分类。 第一步是对猫和猫之间的品种进行分类，然后对猫和猫的品种分别进行分类，最后将种族混合在一起进行分类，从而增加了问题的难度。 步骤1 获取数据集： bash utils / get_dataset.sh 第2步 预处理数据集： bash rul_all_preprocessing.sh 第三步 培训模型的创建： bash run_all_models.sh 第四步 要运行TensorBoard，请打开一个新终端并运行以下命令。 然后，在您的Web浏览器中打开 。 脚本/ 选择你的型号 张量板--logdir ='。/ logs'--port = 6006

CNN算法中权重调整过程详细推导，文中详细的介绍了关于BP算法的推导过程，通俗易懂。

流量预测 拟议的概念证明，用于解决智​​能城市的交通拥堵和预测问题。 二手-LSTM（用于将来的预测）+ CNN（用于检测流量密度）+实时推文将所有这三种方法结合起来以产生流量拥塞因子（TCF），并在将来的任何时候使用Google API提出基于此的路由建议。 内容 - 公用文件夹- 截至9月18日的TCF数据 LSTM预计到9月18日的时间 src文件夹-React应用程序 实用程序文件- tweets_realtime.py-删除有关流量的地理位置标记的tweets tempserver-临时服务器，将所有从抓取中获得的推文排队，并充当React应用程序的API。 屏幕截图 注意：代码清理仍在进行中，该项目是为黑客马拉松而设计的

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.