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。

基于tensorflow实现CNN文本分类 目前文本分类问题主要使用的RNN/LSTM，但是本身具有时序性强、速度慢等局限性。而CNN的主要特点是速度快，主要用于计算机图像的核心部分GPU的硬件层实现。

对于公司来说，要想实现持续发展，准确预测客户流失至关重要。 先前的研究已经使用许多机器学习方法来预测客户流失。 通用模型无法充分利用时间序列功能。 为了克服这个缺点，我们提出了一个基于LSTM和CNN的模型，该模型在LSTM层和卷积层之间具有跨层连接。 该模型可以同时学习潜在的顺序信息，并从时间序列特征中捕获重要的局部特征。 此外，我们介绍了一种通过在现有特征上训练XGBoost模型来构造新特征的方法。 在真实数据集上的实验结果表明，我们提出的模型比其他比较模型具有更好的性能。

目标检测是计算机视觉研究中的热门问题,其中加速区域卷积神经网络(Faster R-CNN)对目标检测具有指导意义。针对Faster R-CNN算法在目标检测中准确率不高的问题,先对数据进行增强处理;然后对提取的特征图进行裁剪,利用双线性插值法代替感兴趣区域池化操作,分类时采用软非极大值抑制(Soft-NMS)算法。实验结果表明,该算法在PASCAL VOC2007、PASCAL VOC07+12数据集下的准确率分别为76.40%和81.20%,相较Faster R-CNN算法分别提升了6.50个百分点和8.00个百分点。没有进行数据增强的情况下,在COCO 2014数据集上的准确率相较Faster R-CNN算法提升了2.40个百分点。

本文来自csdn，本文主要通过代码实例详细介绍了卷积神经网络（CNN）架构中的卷积层，池化层和全连接层，希望对您的学习有所帮助。卷积神经网络的基础内容可以参考：机器学习算法之卷积神经网络卷积神经网络一般包括卷积层，池化层和全连接层，下面分别介绍一下2.1卷积层卷积神经网络里面的这个卷积和信号里面的卷积是有些差别的，信号中的卷积计算分为镜像相乘相加，卷积层中的卷积没有镜像这一操作，直接是相乘和相加，如下图所示最左边的是卷积的输入，中间的为卷积核，最右边的为卷积的输出。可以发现卷积计算很简单，就是卷积核与输入对应位置相乘然后求和。除了图中绿颜色的例子，我们可以计算一下图中红色圈对应的卷积结果：(-