针对目前发票自动分类方法对发票类型分类准确率不高的问题，提出了一种改进的AlexNet网络对发票类型进行快速高效的自动识别方法，在AlexNet的基础上对其参数进行改进，在大型数据集ImageNet上对网络进行训练，将训练好的AlexNet网络前五层作为特征提取器，对AlexNet提取的特征进行分类识别，最后在实验中采用不同的交叉验证方法，并与改进前的AlexNet网络分类结果进行比较。结果表明，提出方法的准确度达到98％的分类精度，高于传统AlexNet分类器的85%。目前系统已开始试用，并且性能稳定，满足了发票系统的业务需要。

基于支持向量机的数据分类预测(SVM) （Matlab完整程序和数据） 运行版本2018及以上 基于支持向量机的数据分类预测(SVM) （Matlab完整程序和数据） 运行版本2018及以上 基于支持向量机的数据分类预测(SVM) （Matlab完整程序和数据） 运行版本2018及以上

1、代码包含resnet系列网络源码，如resnet18、resnet34、resnet50、resnet101等。 2、代码中已训练好的模型是基于resnet18，模型是cpu训练 3、使用的深度学习框架为pytorch，建议版本为1.7以上 4、资源附有训练使用的男女人脸图片数据集，已划分为训练集与验证集 5、训练模型较好，精度很高，不仅可以训练，还可以预测，预测结果以弹窗形式展示，演示效果好！ 【备注】该代码模型适合深度学习初学者入门、代码简单易懂，结构清晰，单个py文件调试也方便。有很好的借鉴学习价值！

找不到样式可以使用笔刷代替，模糊样式笔刷，艺术类，纹理类，边框类，五官类，图表类，足迹类，动物类，人物类，墨迹类，梦幻雷翅膀类笔刷等等，非常实用的PS笔刷

包含训练代码、预测代码、数据划分代码、网络代码等，采用pytorch框架所写。 代码中包含3D卷积神经网络和支持向量机（SVM）、随机森林（RF）、K最邻近（KNN）这三个机器学习算法。可以随意组合为3DCNN-SVM、3DCNN-RF、3DCNN-KNN。代码清晰，便于理解。也可单独训练3DCNN或者机器学习。

（Matlab）PNN多分类识别、准确率及误差分析、可做智能算法多分类识别对比

在本文中，我们将ResNet模型转换为Core ML格式。

这是《机器学习实战》书中KNN算法的笔记

信息技术基础（WPS Office版）

基于CNN卷积神经网络的数据分类预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的数据分类预测（Matlab完整程序和数据） 运行版本2018及以上 基于CNN卷积神经网络的数据分类预测（Matlab完整程序和数据） 运行版本2018及以上