注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. caffe深度学习薛开宇笔记实例-基于卷积神经网络的声音识别

  2. 目前的音乐检索系统用流派、风格、情感等类别标签检索音乐。其中，如果人工标注 音乐这些类别标签，则存在主动性强、费时费力、速度慢的问题，而如果采用传统的自动 标注方式，则存在准确率低的问题。后者准确率低的原因是，其标注时使用的模型不能 很好识别音乐。随着 Hinton 提出深度学习模型后，因其在图像和语音识别领域均取得很 好的成果，在识别领域成为了研究热点。因此，本文旨在研究如何使用深度学习中的卷 积神经网络(Convolutional Neural Networks，CNN)模型，设计出一个准

  3. 所属分类：其它

    • 发布日期：2016-12-27
    • 文件大小：5mb
    • 提供者：u014365862

  1. TensorFlow实例--MNIST手写数字进阶算法(卷积神经网络CNN)

  2. 用卷积神经网络来完成MNIST手写数字算法的详细说明，及对conv2d及max_pool的详细说明

  3. 所属分类：机器学习

    • 发布日期：2017-12-30
    • 文件大小：11mb
    • 提供者：carmelcarmen

  1. cnn-text-classification-tf-master

  2. cnn-text-classification-tf-master，一个卷积神经网络的小实例，基于TensorFlow

  3. 所属分类：深度学习

    • 发布日期：2018-05-03
    • 文件大小：491kb
    • 提供者：qq_29317617

  1. cnn代码实例

  2. 卷积神经网络CNN的结构一般包含这几个层： •输入层：用于数据的输入 •卷积层：使用卷积核进行特征提取和特征映射 •激励层：由于卷积也是一种线性运算，因此需要增加非线性映射 •池化层：进行下采样，对特征图稀疏处理，减少数据运算量。 •全连接层：通常在CNN的尾部进行重新拟合，减少特征信息的损失

  3. 所属分类：深度学习

    • 发布日期：2018-07-25
    • 文件大小：491kb
    • 提供者：weixin_40589578

  1. 卷积神经网络CNN实例

  2. 一个使用卷积神经网络（Convolutional Neurual Network）的 实例，供参考

  3. 所属分类：机器学习

    • 发布日期：2020-10-10
    • 文件大小：15kb
    • 提供者：ycs_supersjtu

  1. tensorflow基于CNN实战mnist手写识别(小白必看)

  2. 很荣幸您能看到这篇文章，相信通过标题打开这篇文章的都是对tensorflow感兴趣的，特别是对卷积神经网络在mnist手写识别这个实例感兴趣。不管你是什么基础，我相信，你在看完这篇文章后，都能够完全理解这个实例。这对于神经网络入门的小白来说，简直是再好不过了。 通过这篇文章，你能够学习到 tensorflow一些方法的用法 mnist数据集的使用方法以及下载 CNN卷积神经网络具体python代码实现 CNN卷积神经网络原理 模型训练、模型的保存和载入 Tensorfl

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：144kb
    • 提供者：weixin_38633157

  1. Tensorflow实现卷积神经网络的详细代码

  2. 本文实例为大家分享了Tensorflow实现卷积神经网络的具体代码，供大家参考，具体内容如下 1.概述 定义： 卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(alternating convolutional layer)和池层(pooling layer)。 卷积层（convolutional layer）： 对输入数据应用若干过滤器，一个输入参

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：77kb
    • 提供者：weixin_38631599

  1. tensorflow学习笔记之mnist的卷积神经网络实例

  2. mnist的卷积神经网络例子和上一篇博文中的神经网络例子大部分是相同的。但是CNN层数要多一些，网络模型需要自己来构建。 程序比较复杂，我就分成几个部分来叙述。 首先，下载并加载数据： import tensorflow as tf import tensorflow.examples.tutorials.mnist.input_data as input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：57kb
    • 提供者：weixin_38526823

  1. Tensorflow卷积神经网络实例

  2. CNN最大的特点在于卷积的权值共享结构，可以大幅减少神经网络的参数量，防止过拟合的同时又降低了神经网络模型的复杂度。在CNN中，第一个卷积层会直接接受图像像素级的输入，每一个卷积操作只处理一小块图像，进行卷积变化后再传到后面的网络，每一层卷积都会提取数据中最有效的特征。这种方法可以提取到图像中最基础的特征，比如不同方向的边或者拐角，而后再进行组合和抽象形成更高阶的特征。 一般的卷积神经网络由多个卷积层构成，每个卷积层中通常会进行如下几个操作： 图像通过多个不同的卷积核的滤波，并加偏置（b

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：93kb
    • 提供者：weixin_38661800

  1. tensorflow学习笔记之简单的神经网络训练和测试

  2. 本文实例为大家分享了用简单的神经网络来训练和测试的具体代码，供大家参考，具体内容如下 刚开始学习tf时，我们从简单的地方开始。卷积神经网络（CNN）是由简单的神经网络（NN）发展而来的，因此，我们的第一个例子，就从神经网络开始。 神经网络没有卷积功能，只有简单的三层：输入层，隐藏层和输出层。 数据从输入层输入，在隐藏层进行加权变换，最后在输出层进行输出。输出的时候，我们可以使用softmax回归，输出属于每个类别的概率值。借用极客学院的图表示如下： 其中，x1,x2,x3为输入数据，经过运算后

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：96kb
    • 提供者：weixin_38693589

  1. Medical-Named-Entity-Rec-Based-on-Dilated-CNN:基于膨胀卷积神经网络（Divolution Convolutions）训练好的医疗命名实体识别工具-源码

  2. 基于扩张神经网络（Divolved Convolutions）训练好的医疗领域的命名实体识别工具，这里主要引用模型源码，以及云部署方式供大家交流学习。 环境 阿里云服务器：Ubuntu 16.04 Python版本：3.6 Tensorflow：1.5 第一步：来一个Flask实例，并跑起来： 使用的是Pycharm创建自带的Flask项目，xxx.py from flask import Flask app = Flask(__name__) app.route('/') def hel

  3. 所属分类：其它

  1. 基于CNN和并行SVM的大规模图像分类

  2. 图像分类是计算机视觉和机器学习的最重要问题之一。 已经提出了许多图像分类方法并将其应用于许多应用领域。 但是，如何提高图像分类的性能仍是一个亟待解决的重要研究课题。 特征提取是图像分类的最重要任务，它直接影响分类性能。 经典特征提取方法是根据颜色，形状或纹理等手动设计的。它们只能部分显示图像字符，不能客观提取。 卷积神经网络（CNN）是一种人工神经网络，已经成为当前图像分类的研究重点。 基于CNN的深度学习可以自动提取图像特征。 为了提高图像分类性能，提出了一种结合了CNN和并行SVM的图像分类

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：469kb
    • 提供者：weixin_38695293

  1. 将CNNS转移到小数据集上的多实例多标签分类中

  2. 图像标记是图像处理中众所周知的挑战。 通常通过多实例多标签（MIML）分类方法解决该问题。 卷积神经网络（CNN）具有出色的潜力，可以很好地执行MIML任务，因为多级卷积和最大池与多实例设置一致，并且隐藏表示的共享可能有利于多标签建模。 但是，CNN通常需要大量经过仔细标记的数据来进行训练，这在许多实际应用中很难获得。 在本文中，我们提出了一种将预训练的深度网络（如Imagenet上的VGG16）传输到小型MIML任务的新方法。 我们从网络层的每个组中提取特征，并将多个二进制分类器应用于它们以进

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：693kb
    • 提供者：weixin_38703866

  1. 实例分割模型MaskR-CNN详解

  2. 本文来自于csdn，本文主要概述一下R-CNN是如何采用卷积神经网络进行目标检测的工作，希望会对您的学习有所帮助。MaskR-CNN是ICCV2017的bestpaper，彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中，单任务的网络结构已经逐渐不再引人瞩目，取而代之的是集成，复杂，一石多鸟的多任务网络模型。MaskR-CNN就是典型的代表。大家可以看到，在实例分割MaskR-CNN框架中，还是主要完成了三件事情：1)目标检测，直接在结果图上绘制了目标框(bo

  3. 所属分类：其它

  1. 从零开始搭建神经网络-卷积神经网络(CNN)

  2. 本文来自csdn，本文主要通过代码实例详细介绍了卷积神经网络（CNN）架构中的卷积层，池化层和全连接层，希望对您的学习有所帮助。卷积神经网络的基础内容可以参考：机器学习算法之卷积神经网络卷积神经网络一般包括卷积层，池化层和全连接层，下面分别介绍一下2.1卷积层卷积神经网络里面的这个卷积和信号里面的卷积是有些差别的，信号中的卷积计算分为镜像相乘相加，卷积层中的卷积没有镜像这一操作，直接是相乘和相加，如下图所示最左边的是卷积的输入，中间的为卷积核，最右边的为卷积的输出。可以发现卷积计算很简单，就是卷

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：376kb
    • 提供者：weixin_38719702

  1. keras-cnn-classifier：在Keras和Tensorflow 2.0中使用预训练的CNN进行图像分类-源码

  2. Keras CNN分类器 该存储库提供代码以根据Tensorflow 2.0中Keras API提供的预训练卷积神经网络（CNN）设置和训练自己的图像分类器。 您可以利用转移学习对自己收集的数据集进行训练，或者从头开始训练网络以比较大型数据集的性能。 如何使用 这个仓库的主要代码包含在ClassifierCNN类Classifier.py 。 您真正需要做的就是导入该类，设置一个适当的实例来指定所需的数据集和模型，一切顺利。 下面提供了一些示例： # Import pre-trained Ke

  3. 所属分类：其它

  1. TensorFlow示例：Tensorflow实例-源码

  2. Tensorflow实例 基础 变量 TensorBoard的使用 调试 -[未完] 初级实例 跑实例时一步一步解析每一行代码，包括每个一个变量，每一个函数每一步的运行结果写在后面注释里面 机器学习 张量板 算法相关 [聂彬-认领] [张夏旭-认领]-完成 -[魏杨-认领] 卷积神经网络-[魏杨-认领] [聂彬-认领] [聂彬-认领] [张夏旭-认领] -[王凯-认领] -[王凯-认领] -[王凯-认领] 本项目为开源项目：由[Tensorflow学生会]管理更新，TF爱好者参与 一个DNN的

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：698kb
    • 提供者：weixin_42117485

  1. 从零开始搭建神经网络-卷积神经网络(CNN)

  2. 本文来自csdn，本文主要通过代码实例详细介绍了卷积神经网络（CNN）架构中的卷积层，池化层和全连接层，希望对您的学习有所帮助。 卷积神经网络的基础内容可以参考：机器学习算法之卷积神经网络 卷积神经网络一般包括卷积层，池化层和全连接层，下面分别介绍一下 2.1卷积层卷积神经网络里面的这个卷积和信号里面的卷积是有些差别的，信号中的卷积计算

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：367kb
    • 提供者：weixin_38547532

  1. TensorFlow 实战之实现卷积神经网络的实例讲解

  2. 本文根据最近学习TensorFlow书籍网络文章的情况,特将一些学习心得做了总结,详情如下.如有不当之处,请各位大拿多多指点,在此谢过。 一、相关性概念 1、卷积神经网络（ConvolutionNeural Network，CNN） 19世纪60年代科学家最早提出感受野（ReceptiveField）。当时通过对猫视觉皮层细胞研究，科学家发现每一个视觉神经元只会处理一小块区域的视觉图像，即感受野。20世纪80年代，日本科学家提出神经认知机（Neocognitron）的概念，被视为卷积神经网络最初

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：128kb
    • 提供者：weixin_38606202

  1. 基于深度门控循环单元神经网络的短期风功率预测模型

  2. 随着新能源的不断发展，大量大容量风电机组并入电网运行，给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型，该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性，在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN)，以提高模型对原始数据的特征提取和降维能力，并引入dropout技术减少模型中的过拟合现象。工程实例分析表明，所提模型在预测准确度和运算速度方面均优于长短记忆

  3. 所属分类：其它

« 12 »