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. 基于神经网络的人脸识别系统

  2. 1、图像采集预处理模块 采用 opencv控制笔记本摄像头进行图像的采集，提取有待识别的人脸图像特征，即特征提取和选择，与现有的数据库中的人脸图像进行匹配和识别，在特征提取之前首先经过预处理，根据人脸定位结果将人脸变换至同一位置以及大小法，削弱背景以及光照条件对识别率的影响。 2、神经网络训练模块 该模块通过对训练数据的处理，构建神经网络模型，完成权值的确定。 3、人脸识别 该模块将图像采集模块采集得到的图像输入到已经训练完成的神经网 络模型中进行计算，确定某个判决规则，将结果用这个判决规则进

  3. 所属分类：C++

    • 发布日期：2018-10-10
    • 文件大小：125mb
    • 提供者：weixin_38902664

  1. 基于BP神经网络的笔记本电脑评测体系

  2. 基于BP神经网络的笔记本电脑评测体系，邹春毅，张楠，人工神经网络起源于20世纪，它是当今世界关注的高科技热点，并开始显示出美好的广阔的应用前景。现如今已经应用到人们生产生活的�

  3. 所属分类：其它

    • 发布日期：2019-12-29
    • 文件大小：241kb
    • 提供者：weixin_38607026

  1. quantum-neural-networks:该存储库包含用于产生论文“连续变量量子神经网络”中给出的结果的源代码。 由于后续界面的升级，这些脚本仅适用于<= 0.10.0的Strawberry Fields版本。-tens

  2. 连续变量量子神经网络 该存储库包含用于产生给出的结果的源代码。 要求 为了构建和优化变分量子电路，这些脚本和笔记本使用了的TensorFlow后端。 另外，matplotlib是生成输出图所必需的。 由于随后的界面升级，这些脚本仅适用于以下配置 草莓田0.10.0版 TensorFlow版本1.3 Python版本3.5或3.6 您可以通过运行python --version来检查您的Python python --version 。 可以通过从此存储库的主目录运行pip install

  3. 所属分类：其它

  1. micrograd:一个微型标量值的autograd引擎和一个类似PyTorch的API之上的神经网络库-源码

  2. 微毕业 微型Autograd引擎（咬一口！：））。通过类似PyTorch的API，在动态构建的DAG和位于其之上的小型神经网络库上实现反向传播（反向模式autodiff）。两者都很小，分别有大约100行和50行代码。 DAG仅在标量值上运行，因此，例如，我们将每个神经元切成其所有单独的微小加法和乘法。但是，这足以构成进行二进制分类的整个深度神经网络，如演示笔记本所示。潜在地用于教育目的。 安装 pip install micrograd 用法示例 以下是一个稍作设计的示例，显示了许多可能的受支持

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：105kb
    • 提供者：weixin_42121725

  1. weather_prediction:使用递归神经网络进行温度预测建模-源码

  2. :sun_behind_cloud: 天气预报模型 概述 在该存储库中，我开发了用于温度预测的递归神经网络。 存储库的主要文件是： ：包含用于数据预处理和模型训练的核心类。 ：用于训练和评估模型的Jupyter笔记本。 作者

  3. 所属分类：其它

  1. Instagram-fake-profile-detection:动手进行项目训练和开发神经网络以检测假instagram配置文件-源码

  2. Instagram虚假配置文件检测 动手进行项目训练和开发神经网络以检测假instagram配置文件 该项目是的课程学习成果。 在jupyter笔记本文件中添加了教程以成功完成项目后，它为初学者提供了一个良好的开端。 对于那些了解人工神经网络，从头开始实现模型并且现在有兴趣学习如何使用tensorflow和keras来以更简单的方式构建这些模型的人来说，这也是有帮助的。

  3. 所属分类：其它

  1. nn-brain:使用神经网络对大脑进行建模的教程代码-源码

  2. nn脑 状态：维护中。 代码 该存储库提供了教程式的代码，用于在与神经科学有关的简单任务上训练人工神经网络，并使用多种神经科学方法来分析这些网络。 内容 （1） 用于训练卷积神经网络，表示相似度分析（RSA）和基于梯度的调整分析。 （2） 用于在记忆任务上训练LSTM，并可视化神经活动。 （3） 用于在工作记忆任务上训练 ，以及基于定点的动力学系统分析。 （4） 用于在决策任务上训练兴奋性抑制性 ，并分析网络连通性。 要求 这段代码已经过Python 3和Pytorch的最新版本的测试。

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：845kb
    • 提供者：weixin_42098892

  1. deep-learning-neural-network-for-chaotic-systems-:使用yolov3，darknet，Python，PyTorch和OpenCV高级设计神经网络来预测混沌系统的结果-轮盘赌-源码

  2. 混沌系统的深度学习神经网络 介绍 iya，这将是我的高级设计项目的指南，该项目跨越普渡大学的两个学期的高级设计I（2019年Spring）和高级设计II（2019年秋季）。 该项目涉及设计和开发一个神经网络，该网络将检测轮盘的0个口袋和球，并预测轮盘比赛中球将落在哪个口袋上。 内容 设置测试 必备任务 YOLOv3 MTurk边界框实用程序 0.设置测试 这些是简单的设置过程，有助于以后创建神经网络。 这些代码大部分是用Python编写的，使用Jupyter笔记本可视化代码，或者像PyCha

  3. 所属分类：其它

  1. Intrusion-Detection-System-for-IoT-networks-using-Gated-Recurrent-Neural-Networks-GRU:使用门控递归神经网络（GRU）的IoT网络智能入侵检测系统-源码

  2. 论文 使用门控递归神经网络（GRU）的IoT网络智能入侵检测系统：一种深度学习方法 注意：此处未发布主要代码和分析。 此回购中的笔记本是研究初期阶段所做的基本工作。

  3. 所属分类：其它

  1. GLOM:Geoffrey Hinton的论文“如何在神经网络中表示整体层次结构”的尝试实现-源码

  2. 格洛姆 尝试将Geoffrey Hinton的论文“如何在神经网络中表示整体层次结构”用于MNIST数据集。 跑步 在jupyter笔记本中打开以运行该程序，该程序期望Nvidia显卡可加速gpu。 实施细节 每向量个向量的三种类型的网络 自上而下的网络 自下而上的网络 注意同一层网络 每个网络将在当前层看到围绕当前网络输入向量的3x3向量网格。 这样做是为了允许信息在向量之间横向传播更快。 由于每个网络只能看到3x3的网格，而看不到较大的图像块，因此该技术可以用于任何大小的图像，并且可以并行

  3. 所属分类：其它

  1. DSC卷积神经网络代码沿着ONL01-DTSC-PT-052620-源码

  2. 卷积神经网络-Codealong 介绍 在此代码中，我们将重新研究以前的圣诞老人图像分类示例。 为此，我们将审查从嵌套目录结构中加载数据集并构建基线模型。 从那里，我们将构建一个CNN并演示其在图像识别任务上的改进性能。 建议您运行单元格，以便进一步探索变量并调查代码片段本身。 但是，请注意，某些细胞（尤其是稍后训练的细胞）可能需要几分钟才能运行。 （在Macbook pro上，整个笔记本电脑大约需要15分钟才能运行。） 目标 你将能够： 使用图像数据生成器从分层文件结构加载图像 解释为什么训

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：344mb
    • 提供者：weixin_42097533

  1. 使用CIFAR10数据集进行图像分类：在本笔记本中，我将对CIFAR-10数据集中的图像进行分类。 数据集由飞机，狗，猫和其他物体组成。 在对图像进行预处理之后，我对所有样本都训练了卷积神经网络。 图像需要归一化，标签需要进行一次热编码-源

  2. 使用CIFAR10数据集进行图像分类 在本笔记本中，我将对CIFAR-10数据集中的图像进行分类。 数据集由飞机，青蛙，马和其他物体组成。 在对图像进行预处理之后，我对所有样本都训练了卷积神经网络。 图像需要进行归一化，标签需要进行一次热编码。 目录-> 获取数据 了解数据集 实作经验，实现归一化和一键编码功能 Tensorflow基础 模型架构和构造（使用不同类型的API） 训练模型 预测请打开jupyter笔记本以查看完整描述

  3. 所属分类：其它

  1. 交通标志分类器：用于交通标志分类器的卷积神经网络-源码

  2. 交通标志分类器 用于交通标志分类器的卷积神经网络 ！[替代文字]（'./自述图片'） 概述 在此代码中，使用了深度神经网络和卷积神经网络对交通标志进行分类。 该模型经过了培训和验证，因此可以使用“对交通标志图像进行分类。 训练模型后，对来自网络的随机交通标志（即德国交通标志）进行了测试。 该项目 这项工作的目标/步骤如下： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 数据集和存储库 下载数据集。 调整了数据集的大小，

  3. 所属分类：其它

  1. Cifar10-图像分类器：使用卷积神经网络对Cifar10图像进行分类-源码

  2. Cifar10-图像分类器 使用卷积神经网络对Cifar10图像进行分类 原始数据集可在以下位置找到：“ ” 在第一个笔记本“ FMNIST.ipynb”中，我使用了简单的基础CNN模型来预测图像。 我已经在猫的图像上测试了该模型，并且该模型预测了正确的类别标签。

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：134kb
    • 提供者：weixin_42101164

  1. 神经网络笔记本-源码

  2. 神经网络笔记本 Jupyter Notebook具有神经网络的个人调查和测试功能。

  3. 所属分类：其它

  1. CarND交通标志分类器项目：使用Python和Tensorflow构建的交通标志分类神经网络-源码

  2. 项目：深度学习中的交通标志识别 概述 在这个项目中，使用python和TensorFlow来构建和训练卷积神经网络来对交通标志进行分类。 该模型在集中的交通标志图像上经过了验证。 该项目的详细文章可以在找到。 计划摘要 该项目的目标/步骤如下： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 依存关系 本实验要求： 可以使用CarND Term1入门工具包创建实验室环境。 单击了解详细信息。 数据集和存储库 下载数据集。

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：12mb
    • 提供者：weixin_42134097

  1. Neural_Network_Charity_Analysis：该项目的目的是使用Python中的TensorFlow平台探索和实现神经网络。-源码

  2. 神经网络和深度学习模型 项目概况 该项目的目的是使用Python中的TensorFlow平台探索和实现神经网络。 完成任务的步骤： 预处理神经网络模型的数据 编译，训练和评估模型 优化模型 资源： 数据源：charity_data.csv 工具 Python scikit-learn，TensorFlow，Keras Jupyter笔记本 结果 数据预处理 该模型考虑的目标变量：IS_SUCCESSFUL列。 变量被认为是该模型的特征：除IS_SUCCESSFUL列外的所有列均已删除

  3. 所属分类：其它

  1. sigmoid-neural-net-classifier：此存储库包含Python笔记本，该笔记本包含简单神经网络的创建。 我使用了合成的2个群集数据集来训练网络并对其进行测试-源码

  2. 简单神经网络 该存储库包含Python笔记本，其中包含简单神经网络的创建。 我使用了合成的2个群集数据集来训练网络并对其进行测试。 网络最终提供了99％的准确性。 数据集 测试结果 开发者 严厉的帕特尔

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：64kb
    • 提供者：weixin_42120563

  1. 面向生物学家的DeepLearningBasedSegmentationForBiologists：为期3天的讲习班，教生物学家如何通过全面的图像分析管道对2D复用图像进行免疫分析的训练和处理深度卷积神经网络以进行图像分割-源码

  2. 基于生物学的深度学习细分 深度学习在显微镜下显示出惊人的分割结果，胜过所有现有方法。 尽管许多法规是公开可用的，但它们需要大多数生物学家所缺乏的专业知识。 该研讨会的目的是学习如何通过一个全面的图像分析管道来对2D复用图像进行免疫分析，从而训练和处理深度卷积神经网络以进行图像分割。 更具体地说，参与者将学习如何安装python软件包和运行Jupyter笔记本，使用ImageJ插件Annotater手动注释图像，训练深度学习分类器，并使用它们来分割组织和细胞核，识别细胞标记，批处理图像并使用它们进

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：439mb
    • 提供者：weixin_42099530

  1. sparseBottleneck：一个稀疏的瓶颈神经网络，通过其基因表达来预测神经元的电生理特性-源码

  2. 探索性分析和可视化神经补丁序列数据的稀疏瓶颈网络 稀疏的瓶颈神经网络，可以根据基因表达预测神经元的电生理特性。 这里的工作是“稀疏瓶颈网络的探索性分析和可视化神经补丁序列数据”论文的扩展： : 。 要求： 特别是TensorFlow和Keras。 我们为TensorFlow使用了1.13.1版本，为Keras使用了2.2.4版本（ ）。 Glmnet，一个用于拟合带有ridge和lasso（ ）惩罚的广义线性模型的软件包。 这些笔记本尚未经过TensorFlow 2的测试。 对于稀疏

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：401mb
    • 提供者：weixin_42122838
« 12 3 4 5 6 7 8 9 10 »