[深度卷积神经网络原理与实践][周浦城 等][程序源代码]

深度学习入门实战例子必备的--MNIST手写数字数据集，可以利用CNN,GAN,DCGAN等神经网络做各种各样的实验。除了原有的四个数据集，加入了CSV格式的MNIST

matlab填充图像算法代码CNN_频谱图_算法 一种使用卷积神经网络 (CNN) 从原始 EEG 数据中对频谱图进行分类的方法 SpectrogramClassificationAlgorithm.ipynb：使用来自训练和有效文件夹的数据训练模型，对来自测试文件夹的数据进行测试 Use_pretrained_model.ipynb：使用来自训练模型的模型权重，测试来自测试文件夹的新测试数据 fastai 文件夹中的代码来自 Jeremy Howard 的 fastai 0.7 版： 数据结构 要运行任一笔记本，您必须具有以下结构的数据文件夹： 数据/ ├──火车/ ├── Yes ├── No ├── 有效/ ├── Yes ├── No ├──测试/ 对于 SpectrogramClassificationAlgorithm.ipynb：Yes 和 No 子文件夹包含我们训练模型的正面和负面案例图像。 测试文件夹包含我们测试模型的未分类图像。 对于 Use_pretrained_model.ipynb：测试文件夹包含要由我们的预训练模型 (saved_model.pkl) 评估的

深度学习基础（六）：LSTM模型及原理介绍 深度学习原理.pdf

随着网民的数量不断增加，用户上网产生的数据量也在成倍增多，随处可见各种各样的评论数据，所以构建一种高效的情感分类模型就非常有必要.本文结合Word2Vec与LSTM神经网络构建了一种三分类的情感分类模型：首先用Word2Vec词向量模型训练出情感词典，然后利用情感词典为当前训练集数据构建出词向量，之后用影响LSTM神经网络模型精度的主要参数来进行训练.实验发现：当数据不进行归一化，使用He初始化权重，学习率为0.001，损失函数选择均方误差，使用RMSProp优化器，同时用tanh函数作为激活函数时，测试集的总体准确率达到了92.28%.与传统的Word2Vec+SVM方法相比，准确率提高了大约10%，情感分类的效果有了明显的提升，为LSTM模型的情感分类问题提供了新的思路.

一层双向lstm，，用平安银行做的股票预测。注：以20天的数据为一组，预测第21天的股票值，反向计算中只用到了第20天的隐藏层输出，其他的并未用到，体现不出双向lstm的结构性能。所以弃用，换用情感分析数据集从新做。

该系统是基于Python，利用卷积神经网络进行的人脸识别考情系统。

本文实例为大家分享了tensorflow使用CNN分析mnist手写体数字数据集，供大家参考，具体内容如下 import tensorflow as tf import numpy as np import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) trX, trY, teX, teY = mnist.tr

【深度学习】Faster R-CNN+win10+tensorflow1.12.0+python3.6+CUDA9.0+cudnn7.3配置-附件资源

LSTM（Long Short-Term Memory）是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM 已经在科技领域有了多种应用。基于 LSTM 的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。