深度学习0基础

1.基于Keras批量修改文件名以定义标签； 2.可根据自己的数据集图像特点调整参数，实现2分类或多分类任务的模型训练； 3.模型结构可自己更改； 4.输出训练loss和accuracy变化曲线。

卷积神经网络代码 Matlab ML here will show some code about machine learning by using python. 个人博客： 欢迎来访和留言 文件说明 matlab 吴恩达机器学习教程个人代码总结和学习记录 模型实现 cross_validate : split one dateset to two datesets - train and test ； Accuracy   Linear model : 线性回归和逻辑回归  + CNN_mnist : 利用tensorflow实现一个2层卷积神经网络 decision_tree: ’原生‘决策树 KNN: K 近邻 nbayes: 朴素贝叶斯和其他实现 preceptron: 线性模型的感知机 simple_stacking：利用几种集成学习模型作为子学习器，运用stacking方法构造一个更加强大的分类器 数据集说明： 里面有些是利用了mnist数据集，mnist_data文件可以读取mnist数据集，导入即可 kaggle getting start 的 赛题

简介 CNN -> Convolutional Neural Network 卷积神经网络是由一个或多个卷积层和顶端的全连通层（也可以使用1×1的卷积层作为最终的输出）组成的一种前馈神经网络 基本概念 局部感受野(Local Receptive Fields) 一般的神经网络往往会把图像的每一个像素点连接到全连接的每一个神经元中，而卷积神经网络则是把每一个隐藏节点只连接到图像的某个局部区域，从而减少参数训练的数量。 例如，一张1024×720的图像，使用9×9的感受野，则只需要81个权值参数。对于一般的视觉也是如此，当观看一张图像时，更多的时候关注的是局部。 共享权值(Shared Weigh

卷积神经网络加速器及其VerilogHDL代码自动生成设计

卷积神经网络的人脸识别样本采集+Keras编程+识别模型训练和测试 参考博客：https://blog.csdn.net/qq_44830040/article/details/107163895

收集的卷积神经网络 CNN 代码，包含C++ matlab c#

目前基于深度学习的人物关系抽取方法中大都使用单一的CNN或RNN模型，CNN擅长提取局部的最重要特征，但是不适合处理序列输入，而RNN虽然在任意长度的序列化任务中具有很大的优势，但是对局部的重要特征提取不够充分，针对以上问题，提出一种基于双向GRU和PCNN的人物关系抽取方法。将双向GRU模型与PCNN模型的优点结合起来，同时在模型中加入注意力机制。利用远程监督的方法构建训练语料进行实验验证，结果表明，该方法相较于单一的双向GRU模型、PCNN模型具有更好的效果。

The running time reported in the paper is from C++ implementation. This Matlab version is a re- implementation, and is for the ease of understanding the algorithm. This code is not optimized, and the speed is not representative. The result can be slightly different from the paper due to transferring across platforms.

LeNet网络结构.vsdx（卷积神经网络LeNet可编辑的Visio文件）