DeepF（深时尚） 背景 基于“深层时尚数据集”的时尚分析。 以下术语适用 “类别”：衣服分为“上身”，“下身”和“全身”衣服 “类别”：在类别中，服装的不同类别（例如，“ T恤”，“衬衫”等） 设定环境 该项目假定您已经设置了环境。 该项目基于以下主要依赖关系（这是在执行时。新版本也可以使用）： classDetect ， classDetectKinli ：python = 3.6.7 tensorflow-gpu = 1.11.0 keras = 2.2.4 keras-frcnn ：python = 3.6.8 tensorflow-gpu = 1.8.0 keras = 2.2.0 （注意：较旧版本的keras / tensorflow是必需的，因为较新版本中存在一个错误，会在模型训练期间导致致命错误） 提示：在具有Xeon 6核3.5 GHz，12 GB RAM，NV

验证码识别CAPTCHA_recognizing 第九届中国大学生服务外包创新创业大赛-A16验证码识别（河海大学-李说啥都对） 本项目抛弃了传（过）统（时）的SVM支持向量机，使用卷积神经网络(Convolutional Neural Networks, CNN)针对所给验证码进行识别，五类验证码的准确率均在95%+，第一类竟达到100%。Let's come to the point! 第一类验证码 First CAPTCHA 第一类验证码为四则运算验证码，包含一个四则运算，验证方法为要求用户输出运算表达式及结果。验证码包含噪点干扰。如图示例： 卷积操作拓扑图如下： 第二类验证码 Second CAPTCHA 第二类验证码为英文字母+数字验证码，包含5个字符，验证方法为要求用户输出验证码中的字符，大小写不限。验证码包含噪点干扰，文字无旋转形变。如图示例： 第三类验证码 Third CA

ASRT：基于深度学习的中文语音识别系统 ASRT是一个基于深度学习的中文语音识别系统，如果您觉得喜欢，请点一个“ Star”吧〜 自述语言|中文版| | |||| 如果程序运行期间或使用中有什么问题，可以及时在issue中提出来，我将尽快进行响应。本项目作者交流QQ群： 894112051 提问前请仔细查看，以及避免重复提问 以下问题AI柠檬博主和群友可能会拒绝回答，包括但不限于： 询问已经写在ASRT语音识别项目文档和问题上解决过的已知重复问题。 找不到重点，不知所云的问题，但不声明任何其他信息。 跟ASRT项目没有直接相关的问题 “伸手党”类的问题 请注意，开发者并没有义务回复您的问

贝叶斯CNN 卷积神经网络中的实现。 一个卷积层，每个滤波器的权重分布 整个CNN的全贝叶斯视角 结果 分别使用LeNet-5和3Conv3FC在MNIST和CIFAR-10上的结果

DeepGCN：GCN可以像CNN一样深入吗？ 在这项工作中，我们提出了成功训练非常深的GCN的新方法。 我们从CNN借用概念，主要是残差/密集连接和膨胀卷积，然后将其适应GCN架构。 通过广泛的实验，我们证明了这些深层GCN框架的积极作用。 概述 我们进行了广泛的实验，以展示不同的组件（＃Layers，＃Filters，＃Nearest Neighbors，Dilation等）如何影响DeepGCNs 。 我们还提供了针对不同类型的深层GCN（MRGCN，EdgeConv，GraphSage和GIN）的消融研究。 进一步的信息和详细信息，请联系和 。 要求 （仅用于可视化） （仅用于可视化） conda环境 为了设置运行所有必要依赖项的conda环境， conda env create -f environment.yml 入门 您将在文件夹中找到有关如何使用我们的代码对3

基于卷积神经网络的手写数字识别python代码实现 卷积神经网络（Convolutional Neural Network,CNN）中，卷积层的神经元只与前一层的部分神经元节点相连，即它的神经元间的连接是非全连接的，且同一层中某些神经元之间的连接的权重 w 和偏移 b 是共享的（即相同的），这样大量地减少了需要训练参数的数量。

滚动轴承的运行状态对整机工作状态影响重大, 但目前其故障诊断方法存在依赖手工特征提取、鲁棒性不高等问题. 因此, 本文提出了一种基于改进的一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)集成的滚动轴承故障诊断方法(1D-CNN-LSTM). 首先, 利用改进的1D-CNN-LSTM模型对滚动轴承6种不同的工作状态进行了分类识别实验, 实验结果表明提出的分类模型能够以较快的速度识别出滚动轴承的不同状态, 平均识别准确率达99.83%; 其次, 将提出的模型与部分传统算法模型进行对比实验, 结果表明所提方法在测试精度方面有较大优势; 最后, 引入迁移学习测试模型的鲁棒性和泛化能力, 实验结果表明提出的改进模型在不同工况下有较好的适应性和高效性, 模型有较强的泛化能力, 具备工程应用的可行性.

CNN训练数据-手写体MATLAB mnist_uint8.mat.的二进制格式的mnist数据集转化成了.mat的格式 但是官网下载的.mat格式的均为 6000×784,60000×10,10000×784,10000×10

（不是完整项目，适用于学习）根据英伟达的端到端车联自动驾驶论文完成复现。文章：https://blog.csdn.net/chepwavege/article/details/92761789 涉及技术：Pycharm + Keras + Python 3.6 + numpy + opencv3.3.1+ udacity's self-driving car simulator 自己练手写的，注释比较详细，代码管理很烂，凑活看吧。

《Backpropagation applied to Handwritten zip code recognition》，Yan LeCun于1989年所作