Speech Emotion Recognition 用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。 改进了特征提取方式，识别准确率提高到了 80% 左右。原来的版本的存档在 。 | 中文文档   Environments Python 3.6.7 Keras 2.2.4   Structure ├── models/ // 模型实现 │   ├── common.py // 所有模型的基类 │   ├── dnn // 神经网络模型 │   │ ├── dnn.py // 所有神经网络模型的基类 │   │ ├── cnn.py // CNN │   │ └── lstm.py // LSTM │   └── ml.py

植物病害分类 植物病害分类的数据集分析和CNN模型优化 如何探索这项工作 阅读或格式的报告。 阅读的代码。 在Kaggle notebook 中运行代码。 扩展摘要 问题 对影响农作物的多种疾病的误诊会导致化学药品的滥用，导致耐药菌病原体的出现，投入成本的增加以及更多爆发，造成重大的经济损失和环境影响。 当前基于人类侦察的疾病诊断既耗时又昂贵，尽管基于计算机视觉的模型有望提高效率，但由于受感染组织的年龄、遗传变异和树木内的光照条件而导致的症状差异很大检测精度。 目标 我们参加的植物病理学挑战包括使用训练数据集的图像训练模型以 准确地将测试数据集中的给定图像分类为不同的患病类别或健康的叶子； 准确区分许多疾病，有时在一片叶子上不止一种； 处理罕见的类别和新的症状； 解决深度感知——角度、光线、阴影、叶子的生理年龄； 结合识别、注释、量化方面的专家知识，引导计算机视觉在学习过

CNN加速器 卷积神经网络加速器硬件单元 CNN加速器的卷积和池化层算法的详细设计。 该系统适用于灰度图像（每个像素的范围在0到255之间）。 该项目的主要目标是构建加速器模块。

mnist分类 使用多种方法完成MNIST分类任务 Python 3.6 火炬1.0 Scikit学习0.21 无需下载数据直接跑，代码自动下载 模型 逻辑回归Logistic回归 多层感知机 K近邻KNN 支持向量机 卷积神经网络 循环神经网络 实验报告 见mnistClassification.pdf 对应的latex原始码： :

嵌入式CNN 使用SDSOC和Xilinx Ultrascale +平台在嵌入式OS中部署CNN加速器。 平台 SDx：2018.1 电路板：Xilinx Ultrascale + ZCU 102 FPGA系统 数据类型：现在只有float16！ 工作频率：300MHz 数据运动网络频率：300MHz 版本 转换v0.0： 这个版本需要很长时间（大约11秒）。 由于某些转换层中的参数无法完全加载到片上mem中，因此必须从DDR多次读取它们到FPGA。 因此，在数据通信上花费大量时间。 转换v0.1： 此版本需要9秒钟才能运行转换层。 与conv.v0.0相比，权重缓冲区更大，可以将更多权重读取到片上mem中。 对于conv1 / conv2 / conv3，所有权重都可以一次加载到片上mem中。 对于conv4 / conv5，权重缓冲区一次只能读取1/4权重。 因此，在conv

Matlab CNN代码详解可解释的卷积神经网络 python代码已在发布，尽管我的研究小组未实现该代码。 下面的Matlab代码是与论文对应的原始代码。 介绍 本文提出了一种将传统卷积神经网络（CNN）修改为可解释的CNN的方法，以阐明CNN的高卷积层中的知识表示。 在可解释的CNN中，高转换层中的每个过滤器代表某个对象部分。 我们不需要对象部分或纹理的任何注释来监督学习过程。 相反，可解释的CNN在学习过程中会自动在高转换层中为每个过滤器分配一个对象部分。 我们的方法可以应用于具有不同结构的不同类型的CNN。 可解释的CNN中清晰的知识表示可以帮助人们理解CNN内部的逻辑，即，基于CNN做出决定的模式。 实验表明，可解释的CNN中的过滤器比传统CNN中的过滤器在语义上更有意义。 引文 如果使用此代码，请引用以下两篇论文。 张全世，吴应年和朱松春，“可解释的卷积神经网络”，在CVPR 2018中 张全石，王鑫，吴应年，周慧琳和朱松春，“可移植的CNN用于对象分类”，《 IEEE模式分析和机器智能交易》，2020年。DOI：10.1109 / TPAMI.2020.2982882 代码

使用一维卷积神经网络处理序列数据，数据类型为一维

现有基于卷积神经网络（CNN）的恶意代码分类方法存在计算资源消耗较大的问题。为降低分类过程中的计算量和参数量，构建基于恶意代码可视化和轻量级CNN模型的恶意软件家族分类模型。将恶意软件可视化为灰度图，以灰度图的相似度表示同一家族的恶意软件在代码结构上的相似性，利用灰度图训练带有深度可分离卷积的神经网络模型 Mobilenet v2，自动提取纹理特征，并采用 Softmax分类器对恶意代码进行家族分类。实验结果表明，该模型对恶意代码分类的平均准确率为99.32%，较经典的恶意代码可视化模型高出2.14个百分点。

卷积神经网络CNN手写数字图像识别

为提高信用风险评估的准确性，基于互联网行业的用户行为数据，提出一种基于长短期记忆（LSTM）神经网络和卷积神经网络（CNN）融合的深度神经网络个人信用评分方法。对每个用户的行为数据进行编码，形成一个包括时间维度和行为维度的矩阵，通过融合基于注意力机制的LSTM模型和CNN模型2个子模型，从用户原始行为数据中提取序列特征和局部特征。在真实数据集上的实验结果表明、该方法的KS指标和AUC指标均优于传统的机器学习方法和单一的LSTM卷积神经网络方法，证明了该方法在个人信用评分领域的有效性和可行性。