数独 使用CNN模型以两种方式解决数独难题：直接（一次所有单元）和迭代（逐单元）。

本文主要参考Battle of the Boosting Algos: LGB, XGB, Catboost，结果与原文有出入。 文章目录1. 对比标准1.1 数据集1.2 规则1.3 版本2. 结果2.1 准确率2.2 训练时间和预测时间2.3 可解释性2.3.1 特征重要性2.3.2 SHAP值2.3.3 可视化二叉树3. 总结4. 代码参考文献 1. 对比标准 1.1 数据集 分类：Fashion MNIST（60000条数据784个特征） 回归：NYC Taxi fares（60000条数据7个特征） 大规模数据集：NYC Taxi fares（2百万条数据7个特征） PS：本文只进行

【图像识别】基于卷积神经网络CNN实现车牌识别matlab源码.md

电能质量是电力系统重要的专业，华北电力大学齐林海教授在深圳全国第六届电能质量会议作的报告“深度学习与流式计算在电能质量分析评估中的机遇与挑战”，主要涉及4方面的内容，主要提炼了科学问题及其关键技术。

CNN卷积神经网络MATLAB代码，mnist_uint8.mat是数据文件，其他的函数都有相应的解释。

迁移学习CNN图像分类模型 - 花朵图片分类-附件资源

针对传统数据驱动的故障诊断方法难以从QAR数据中提取有效特征的问题，提出一种融合卷积神经网络（convolutional neural network，CNN）与长短时记忆网络（long short-term memory，LSTM）的双通道融合模型CNN-LSTM。CNN与LSTM分别作为两个通道，通过注意力机制（attention）融合，从而使模型能同时表达数据在空间维度和时间维度上的特征，并以时间序列预测的方式验证融合模型特征提取的有效性。实验结果表明，双通道融合模型与单一的CNN、LSTM相比，能够更有效地提取数据特征，模型单步预测与多步预测误差平均降低35.3%，为基于QAR数据的故障诊断提供一种新的研究思路。

6000张28x28 手写数字图片，lenet的网络实现，个人简单的改进的一个网络，包括训练的模型。

高斯白噪声matlab代码 新的培训和测试代码（）-18/12/2019 培训和测试代码（和） 合并批量归一化（PyTorch） import torch import torch . nn as nn def merge_bn ( model ): ''' merge all 'Conv+BN' (or 'TConv+BN') into 'Conv' (or 'TConv') based on https://github.com/pytorch/pytorch/pull/901 by Kai Zhang (cskaizhang@gmail.com) https://github.com/cszn/DnCNN 01/01/2019 ''' prev_m = None for k , m in list ( model . named_children ()): if ( isinstance ( m , nn . BatchNorm2d ) or isinstance ( m , nn . BatchNorm1d )) and ( isinstance ( prev_m , nn .

文字cnn 该代码实现了模型的。 图1：用于句子分类的CNN架构图 要求 Python 3.6 TensorFlow 1.4 （Singleton Config） tqdm 要求 项目结构 通过初始化项目 . ├── config # Config files (.yml, .json) using with hb-config ├── data # dataset path ├── notebooks # Prototyping with numpy or tf.interact