cnn-classification-dog-vs-cat 基于CNN的图像分类器，使用Kaggle的猫狗图片数据。 1 requirement python3 numpy >= 1.14.2 keras >= 2.1.6 tensorflow >= 1.6.0 h5py >= 2.7.0 python-gflags >= 3.1.2 opencv-python >= 3.4.0.12 2 Description of files inputs: 猫狗图片样本数据，，使用keras库中的类读取，需要将每个类的图片放在单独命名的文件夹中存放； train.py: 自建的简单CNN，训练后测试集精度约83%； pre_train.py: 利用已训练的常用网络(基于数据集训练)，进行迁移学习，测试集精度约95%以上； data_helper.py: 数据读取和预处理模块； img_cnn.py:

Maleria检测Web应用程序 通过使用疟疾寄生虫图像数据集建立了该储存库，以对马氏体细胞进行分类。 由于文件大小，当前无法使用。 很快，我将其部署在云上并更新Web应用程序的链接 感染细胞 正常细胞

cnn_text_classification Tensorflow中的Kim的。 要求 的Python 3 Tensorflow> 1.0 脾气暴躁的 纳尔特克 tqdm 资料格式 我们需要2个文件，一个用于训练，一个用于验证。数据的格式很容易，文件中的每一行都有两列，第一列是标签，第二列是文本。它们用'\ t'分段。 数据格式示例 1 for a long time the film succeeds with its dark , delicate treatment of these characters and its unerring respect for them . 0 the film seems all but destined to pop up on a television screen in the background of a scene in a

多类花卉分类 使用Keras进行多类花卉图像分类 用法用于训练模型：python3 training_model-数据集training_set-模型trained_model-情节图用于预测图像：python3预报.py-数据集training_set-模型trained_model-图像test_set / rose1 该模型已使用Keras库进行了训练。 这里使用的神经网络的架构通常称为LeNet架构，其描述如下：INPUT => CONV => RELU => POOL => CONV => RELU => POOL => FC => RELU => FC 为了训练该模型，最优化的纪元数是25，而使用Adam Optimizer的批量大小是32，初始学习率是1e-3。 这里的预训练模型具有以下准确性/损失，这也显示在图中plot.png训练准确性-0.9057验证准确性-0

Python-CNN-分类-Mnist 使用CNN模型进行水果检测。 使用的数据集： 水果360 图像数据集由各种水果和蔬菜组成。 关于数据集 图片总数：90483。 训练集大小：67692张图像（每张图像一个水果或蔬菜）。 测试集大小：22688张图像（每张图像一个水果或蔬菜）。 设置多个水果的大小：103张图像（每张图像一个以上的水果（或水果类别）） 班级数量：131（水果和蔬菜）。 图片尺寸：100x100像素。 结果 您可以从以下此数据集： :

请通过创建新期刊或通过电子邮件为我留下反馈！ 如果您喜欢其中的内容，请为该存储库加注星标！ CNN-COVID-19-使用胸部CT扫描分类 卷积神经网络基于胸部CT扫描的COVID-19分类 描述 此仓库中有两个Jupyter笔记本（在notebooks文件夹中）。 1-卷积神经网络简介 本笔记本向不熟悉该领域的人介绍了深度神经网络（DNN）和卷积神经网络（CNN）。 我说明了DNN中的关键组件，CNN的动机以及使CNN强大用于图像分类的功能。 基于2 COVID-19分类的CT扫描 本笔记本是我们使用tensorflow.keras构建的CNN COVID-19 CT扫描分类器的tensorflow.keras 。 我们将网络构建为INFORMS QSR 的入口。 构建COVID分类器的团队成员：A / P ， 和我。 CT扫描数据集来自。 这些详细信息在此预印本中进行了

皮肤癌识别黑色素瘤 在这里，我们将设计一种可以从视觉上诊断皮肤癌最致命形式的黑色素瘤的算法。 特别地，该算法将把这种恶性皮肤肿瘤与其他类型的良性病变区分开。 数据和目的摘自《国际标准产业分类》关于皮肤病灶分析的黑色素瘤检测挑战。 作为挑战的一部分，参与者的任务是设计一种诊断皮肤病变图像的算法，该图像是三种不同皮肤疾病（黑素瘤，痣或脂溢性角化病）之一。