网络管道:网络流量数据管道,用于实时预测和构建深度神经网络的数据集
2021-12-14 14:08:07 314KB redis flask machine-learning django
1
概述了非线性均衡算法在光传输系统中的必要性与重要性,阐述了经典的非线性均衡算法原理,指出了经典算法的缺点与局限性。结合近几年的研究现状,详细介绍了 4 种基于人工智能的非线性均衡算法,包括人工神经网络、支持向量机、无监督聚类和深度神经网络,并从性能、复杂度、实时性、应用灵活性等方面进行了对比,最后展望分析了基于人工智能的非线性均衡未来的发展趋势。
1
DNNGP 中Python的深度神经网络高斯过程的实现 包含一个演示MNIST培训和评估的Jupyter笔记本。 还添加了“近似”功能,可使用近似线性化内核。 关于此的更多细节将在以后 目前尚未针对速度进行优化,但更多用于实验。 也计划在Pytorch中实施
2021-12-12 20:57:18 7KB JupyterNotebook
1
理解卷积神经网络基本原理,熟练掌握OpenCV深度神经网络模块API开发技术,学会加载模型,解析模型输出结果;学会如何把正常的tensorflow对象检测模型转化为OpenCV可以接受的模型,实时人脸检测与识别案例。学会使用OpenCV DNN模块解决实际问题。部分课程代码演示效果如下:
1
零生产 不建议按如下所示部署生产模型。 这只是一个快速入门的端到端示例。 本指南向您展示如何: 建立一个可预测纽约市Airbnb价格的深度神经网络(使用scikit-learn和Keras) 建立一个REST API,根据模型预测价格(使用Flask和gunicorn) 在Google App Engine上将模型部署到生产环境 快速开始 要求: Python 3.7 Google Cloud Engine帐户 克隆此存储库: git clone git@github.com:curiousily/End-to-End-Machine-Learning-with-Keras.gi
1
深度神经网络模型采用VGG16训练出单词嵌入的模型,内含详细代码步骤介绍
1
用卷积滤波器matlab代码细胞追踪 使用具有多任务学习功能的深度神经网络进行细胞跟踪 版权所有(C)陶和,华茂和张艺。 版权所有。 该代码基于王乃炎,感谢他分享了他的代码。 CNN源代码来自matlab工具箱。 抽象的 细胞跟踪在生物医学和计算机视觉领域起着至关重要的作用。 由于细胞通常在显微镜图像中具有频繁的变形活动和较小的尺寸,因此在实践中跟踪非刚性和非重要细胞非常困难。 传统的视觉跟踪方法在跟踪刚性和重要视觉对象方面具有良好的性能,但是,它们不适合用于单元跟踪问题。 在本文中,提出了一种使用卷积神经网络(CNN)以及多任务学习(MTL)技术的新型细胞跟踪方法。 CNN可学习可靠的信元功能,而MTL可提高跟踪的泛化性能。 提出的细胞跟踪方法包括粒子过滤器运动模型,多任务学习观察模型和优化的模型更新策略。 在训练过程中,使用MTL技术将细胞跟踪分为在线跟踪任务和伴随的分类任务。 观察模型是通过构建CNN来学习鲁棒的细胞特征而进行训练的。 通过在显微镜图像序列的第一帧中分配细胞位置来启动跟踪过程。 然后,将粒子过滤器模型应用于在后续帧中生成一组候选边界框。 训练后的观察模型提供对应于
2021-12-03 17:21:02 161KB 系统开源
1
精确的预测结果可以为通勤者提供合理的出行建议,并进一步为交通管理提供帮助。现有的研究深入深度学习方法在时空特征提取方面已经有了显着的进展,诸如图卷积神经网络,长短期记忆网络模型等在此过程中发挥了重要的作用。而,仅将这些方法应用到具体的路网场景下的交通流量预测问题是不够合理的的,本文提出了一种优化的时空交通流量预测模型,将线图转换到道路交通拓扑结构的建造过程,并利用GCN实现了更有效的路网空间特征提取能力,特别是与传统的卷在真实的大型数据集的实验结果显示中,采用现有的较大模型,本文提出的模型对于交通流量的时空特征提取能力更强,有更准确的预测效果。
2021-12-01 20:37:59 391KB 研究论文
1
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。
2021-11-23 13:20:48 1.67MB 神经网络CNN
1
学习优化:训练用于无线资源管理的深度神经网络。 Python代码可重现我们在SPAWC 2017的DNN研究中的工作。 Demo.py包含了从数据生成,训练,测试到绘制10个用户IC盒的整个过程,即使该过程是在一个包含25000个样本的小型数据集上完成的,仍可以在不到100次迭代中轻松实现94%的准确度。 在test.py中,我们对表I:高斯IC案例进行了测试阶段,该测试基于预先训练的模型。 要从头开始训练模型,请按照本文中的说明进行操作,并阅读demo.py以供参考。 所有代码均已在Python 3.6.0上成功测试。 设置 安装python 3.6 正在运行的应用程序 安装pip依赖项 pip install -r requirements.txt 运行python文件 python3 demo.py python3 test.py 参考文献:[1]孙浩然,陈香怡,施庆江
2021-11-19 12:16:34 3.69MB python tensorflow dnn power-control
1