基于MNIST数据集的基本机器学习程序代码，程序采用python语言编写，内有文档对代码功能的解释这

1、Mnist_cnn.py 该脚本文件 用TensorFlow框架 实现CNN卷积神经网络处理Mnist手写数字识别数据集，准确率达到99.21%； 2、Mnist_cnn_tensorboard.py 该脚本文件在Mnist_cnn.py的基础上实现可视化。

利用tensorflow实现的卷积神经网络来进行MNIST手写数字图像的分类。 #导入numpy模块 import numpy as np #导入tensorflow模块，程序使用tensorflow来实现卷积神经网络 import tensorflow as tf #下载mnist数据集，并从mnist_data目录中读取数据 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('mnist_data',one_hot=True) #（1）这里的“mnist_data” 是和当前文件相同目录下的一个文件夹。自己先手工建立这个文件夹，然后从https://yann.lecun.com/exdb/mnist/ 下载所需的4个文件（即该网址中第三段“Four files are available on this site:”后面的四个文件），并放到目录MNIST_data下即可。 #（2）MNIST数据集是手写数字字符的数据集。每个样本都是一张28*28像素的灰度手写数字图片。 #（3）one_hot表示独热编码，其值被设为true。在分类问题的数据集标注时，如何不采用独热编码的方式， 类别通常就是一个符号而已，比如说是9。但如果采用独热编码的方式，则每个类表示为一个列表list，共计有10个数值，但只有一个为1，其余均为0。例如，“9”的独热编码可以为[00000 00001]. #定义输入数据x和输出y的形状。函数tf.placeholder的目的是定义输入，可以理解为采用占位符进行占位。 #None这个位置的参数在这里被用于表示样本的个数，而由于样本个数此时具体是多少还无法确定，所以这设为None。而每个输入样本的特征数目是确定的，即为28*28。 input_x = tf.placeholder(tf.float32,[None,28*28])/255 #因为每个像素的取值范围是 0～255 output_y = tf.placeholder(tf.int32,[None,10]) #10表示10个类别 #输入层的输入数据input_x被reshape成四维数据，其中第一维的数据代表了图片数量 input_x_images = tf.reshape(input_x,[-1,28,28,1]) test_x = mnist.test.images[:3000] #读取测试集图片的特征，读取3000个图片 test_y = mnist.test.labels[:3000] #读取测试集图片的标签。就是这3000个图片所对应的标签

针对分割核磁共振成像(MRI)三维图像中整个肿瘤病灶运算量大、过程繁复的问题,提出了一种基于深度学习的全自动分割算法。在填充锯齿状空洞的卷积通路上构建并行三维卷积神经网络,提取多尺度图像块进行训练,捕获大范围空间信息。利用密集连接的恒等映射特性,将浅层特征叠加到网络末端,在MRI多模态图像中分割出水肿区、增强区、核心区和囊化区。在BraTS 2018数据集中对该模型进行了分割测试,结果表明,该模型分割的全肿瘤区、核心区和增强区的平均Dice系数分别为0.90、0.73和0.71,与已有算法相当,且具有较高的自动化集成度。

离散小波变换dwt matlab代码论文代码“使用完全卷积去噪自动编码器消除细胞外神经记录中的噪声” 抽象的 细胞外录音受到大量噪声源的严重污染，使降噪过程成为一项极具挑战性的任务，必须对其进行有效的尖峰分拣才能解决。 为此，我们提出了一种利用此问题的端到端深度学习方法，该方法利用了完全卷积去噪自动编码器，该编码器学会了从嘈杂的多通道输入中产生干净的神经元活动信号。 在模拟数据上的实验结果表明，我们提出的方法可以显着改善受噪声破坏的神经信号的质量，优于广泛使用的小波去噪技术。 要求 Python（已通过v3.8测试）：用于数据生成和网络开发 Matlab（经过R2020b测试）：用于开发小波去噪方法以比较网络的性能 为了安装必要的Python库，请运行以下命令： pip install -r requirements.txt 注意：要运行数据集生成脚本，您还应该安装MEArec Python库。 可以找到说明。 数据集 用于训练和评估的细胞外录音有两种格式，即.mat和.tfrecord 。 . |-- data/ | |-- mat/ | |-- TFRecord/ . 数据组织如下

很不错的最新介绍深度学习的文献，仅供大家参考，希望更多的深学爱好者上传分享，谢谢！

近年来, 卷积神经网络模型常常被用于文本情感分类的研究中, 但多数研究都会忽略文本特征词本身所携带的情感信息和中文文本分词时被错分的情况. 针对此问题, 提出一种融合情感特征的双通道卷积神经网络情感分类模型(Dual-channel Convolutional Neural Network sentiment classification model fused with Sentiment Feature, SFD-CNN). 该模型在构造输入时以一条通道构造融合情感特征的语义向量矩阵以获取到更多的情感类型信息, 以另一条通道构造文本字向量矩阵以降低分词错误的影响. 实验结果表明, SFD-CNN模型准确率高达92.94%, 要优于未改进的模型.

在实际交通环境中, 所采集到的交通标志图像质量往往受到运动模糊、背景干扰、天气条件以及拍摄视角等因素的影响, 这对交通标志自动识别的准确性、实时性和稳健性提出了很大的挑战。为此提出了改进深度卷积神经网络AlexNet的分类识别算法模型, 该模型在传统AlexNet模型基础上, 以真实场景中拍摄的交通标志图像数据集GTSRB为研究对象, 将所有卷积层的卷积核修改为3×3大小, 为了预防和减少过拟合的出现在两个全连接层后加入dropout层, 并且为了提高交通标志识别精度, 在网络模型第5层后增加两层卷积层。实验结果表明, 改进后AlexNet模型在交通标志识别方面具有一定的先进性和稳健性。

针对深度学习中ResNet深度卷积神经网络与LeNet-5模型在图像识别、文字识别和语音识别等领域广泛应用，文中对两种模型的运行机理和方式进行了详细阐述，并对两者在实际应用中的表现进行了对比与分析。首先对两种模型的结构和设计分别进行了叙述，并指出了两种模型面对不同问题的优缺点，且为工程实践提供了指导。然后基于分析进一步对两种模型进行了重建和训练，以实现更优的性能。仿真结果表明，ResNet深度卷积神经网络相比LeNet-5模型在实际应用中具有更好的效果。

移动通信系统中采取了多种技术来提高系统抗衰落、抗干扰的能力。本文主要介绍了在移动通信系统中所使 用的信道编码方法。