1、python程序 2、有数据集可直接运行

1、python代码 2、有数据集，直接运行

本书从实用角度着重解析了深度学习中的一类神经网络模型——卷积神经网 络，向读者剖析了卷积神经网络的基本部件与工作机理，更重要的是系统性的 介绍了深度卷积神经网络在实践应用方面的细节配置与工程经验。笔者希望本 书“小而精”，避免像某些国外相关书籍一样浅尝辄止的“大而空”。

AlexNet深度卷积神经网络

案例14 SVM神经网络的回归预测分析---上证开盘指数预测.7z

在学习到 d2l 中的 CNN 板块时，发现对于大部分 CNN，除了架构网络的代码不同以外，其训练和测试的代码大部分情况都是相同的，为了简化代码的书写特地开发了这个模块（雾）。 该模块基于 PyTorch 实现。 如何使用该模块请看我的这篇文章：https://blog.csdn.net/raelum/article/details/124716176 该模块支持 CNN 的训练和测试，同时可绘制训练集/测试集的损失函数曲线，训练集/测试集的精度。此外，该模块能够计算 GPU 的读取速度。

采用了matlab中的fictsvm训练函数，predict预测。

matlab姿态识别系统源码运行 Face-Recognition Practice of two Pattern Recognition methods. Face Recognition based on SVM and SRC. 一 背景 1.1 支持向量机简介 支持向量机（Support Vector Machine，SVM）是AT&TBell 实验室的V.Vapnik等人提出的一种机器学习算法，是迄今为止最重要的机器学习理论和方法之一，也是应用最广泛、综合效果最好的模式分类技术之一。到目前为止，支持向量机已应用于孤立手写字符识别、网页或文本自动分类、说话人识别、人脸检测、性别分类、计算机入侵检测、基因分类、遥感图象分析、目标识别、函数回归、估计、函数逼近、密度估计、时间序列预测及数据压缩、文本过滤、数据挖掘、非线性系统控制等各个领域的实际问题中。 支持向量机是一种二分类模型，其基本定义是特征空间上的间隔最大的线性分类器（当采用线性核时），即支持向量机的学习策略是间隔最大化，最终转化为凸二次规划问题的求解。该方法在1995年正式发表，因其在文本分类任务中显示出卓越性能，很快成为

案例12 SVM神经网络的数据分类预测-葡萄酒种类识别.7z

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码