登录社区云，与社区用户共同成长
邀请您加入社区
今天带来的是基于python+深度学习的面部健康特征判别系统的研究与实现，依托计算机视觉技术实现非侵入式健康状态评估，有效降低大众健康管理门槛，推动智能健康检测技术落地家庭与社区场景。系统采用前后端分离架构，后端基于Django、Django REST Framework搭建，前端运用Vue3、TypeScript及Ant Design Vue开发，搭配Vite、pip工具完成项目构建，数据库适配
在 Inception module 中使用到了很多 1×1的卷积核，使用 1×1 的卷积核，步长为1时，输入的feature map和输出的feature map长宽不会发生改变，但可以通过改变 1×1的卷积核的数目，来达到减小feature map的厚度的效果，从而做到一些训练参数的减少。卷积核： 3×2×2 ，深度为3。当输入层的特征维度变得很高时，这时全连接网络需要训练的参数就会增大很多，
文本数据是具有序列特性的，例如: “我爱你”, 这串文本就是具有序列关系的，“爱” 需要在 “我” 之后，“你” 需要在 “爱” 之后, 如果颠倒了顺序，那么可能就会表达不同的意思。，例如: 我们有 100 个词，每个词希望转换成 128 维度的向量，那么构建的矩阵形状即为: 100*128，输入的每个词都对应了一个该矩阵中的一个向量。当一个新的输入进入网络时，当前的隐藏状态会结合这个新输入来生成
AI-Python前沿深度学习核心架构与科学计算实战——PINN正反问题求解、Transformer多领域建模、图神经网络时空推理、深度强化学习、进化深度学习与扩散模型、自进化Agent数据科学应用
深度学习训练中GPU加速效果取决于计算并行性、Batch Size、显存容量、数据传输效率等因素。GPU擅长处理大规模矩阵运算，但实际速度受制于CPU数据预处理、任务规模、算子优化等环节。混合精度和增大Batch可提升效率，但需平衡显存占用。小模型、调试阶段或传统机器学习任务可能更适合CPU。选择硬件应综合考虑计算需求、软件生态和实际场景，通过端到端测试评估真实性能。
今天带来的是无线网络智能入侵与反制系统设计与实现，系统以 Python 为开发语言，采用 Django+DRF 搭建前后端分离 Web 管理架构，借助 Scapy 工具完成 802.11 无线数据包抓取与特征提取，通过 XGBoost 梯度提升树与 CNN-LSTM 深度学习模型构建双 AI 检测模块，结合自定义安全规则形成双重检测机制。系统可自动完成流量数据采集、数据预处理、攻击类型判别、风险等
本笔记梳理了卷积神经网络（CNN）的核心知识体系，从图像数据基础出发，到CNN的实现原理。首先厘清了图像在计算机中的存储方式以及通道顺序、维度排布等关键概念，并通过代码演示了图像的读取、显示与张量转换。随后从全连接网络处理图像的痛点切入，引出CNN的三大构成：卷积层、池化层、全连接层，并详细阐释了数据在其中的完整流动过程与维度变换。卷积层部分深入剖析了卷积核的工作机制与过程运算、Padding的作
本文梳理了CNN经典架构的进化历程，重点解读了LeNet-5和AlexNet两个里程碑模型。LeNet-5（1998）作为首个CNN，确立了"卷积-池化-全连接"的范式，证明了端到端学习的可行性。AlexNet（2012）则通过ReLU激活函数、Dropout和数据增强等创新，在ImageNet竞赛中取得突破，开启了深度学习革命。文章通过PyTorch代码实现展示了两个模型的结构特点，并分析了它们
这篇文章分享了一个深度学习教学案例库的使用体验，作者通过运行多个可独立执行的小脚本，直观理解了卷积、池化等基础算子在前向传播中的具体作用，以及CNN、LSTM、VAE等模型的运行机制。案例库包含18个轻量级脚本，涵盖图像分类、时间序列预测、生成模型等主题，每个案例都配有可视化结果和可调参数，特别适合自学和验证。作者重点测试了CNN几何图形分类（测试准确率75%）、LSTM时间序列预测（MSE 0.
时间序列预测在金融、气象、能源、公共事业等多个领域具有至关重要的应用价值，精准的预测结果能够为决策制定、资源分配提供科学支撑。传统时间序列预测模型（如ARIMA）在捕捉线性规律方面表现优异，但难以适配复杂时序数据中的非线性特征与长程依赖关系；单一深度学习模型（如CNN、LSTM）虽能有效提取非线性特征，却易忽略数据中的线性趋势，导致预测精度受限。
本文实现了一个基于DenseNet121的图像分类模型，主要包含以下内容：1) 模型采用密集连接结构，通过特征复用提升性能；2) 数据增强策略包括随机水平翻转和颜色抖动；3) 使用AdamW优化器配合余弦退火学习率调度；4) 引入标签平滑防止过拟合；5) 在1661张图像数据集上训练10个epoch，最终测试准确率达到86.2%。实验结果表明，DenseNet121通过密集连接和优化策略，在图像分
本文介绍了基于CNN-Transformer混合深度学习架构的网络入侵检测系统研究。针对传统入侵检测系统规则更新滞后、特征冗余、误报率高等问题，提出融合CNN空间特征提取能力和Transformer序列建模优势的创新方案。研究内容包括系统架构设计、数据不平衡处理、对抗样本防御等关键技术，采用NSL-KDD等公开数据集进行验证，预期实现98%以上的检测准确率、3.5%以下的误报率及20ms的实时响应
1]董文静.基于轻量化CNN与级联模型的轨道交通人工智能标识检测[J].自动化与仪器仪表,2026,(6)148-152.DOI:10.14016/j.cnki.1001-9227.2026.06.148.
ANN = 用多层“线性变换 + 非线性激活”拟合函数关系。
本文介绍了一个基于深度学习的SAR舰船检测识别系统，该系统采用YOLOv8/YOLOv5/YOLO11算法，结合SE注意力机制提升检测精度。系统支持图片、视频和摄像头输入的实时检测，可识别舰船位置、类型及航行状态，并生成分布热力图与异常预警。创新点在于引入注意力机制优化模型性能，解决了传统SAR检测效率低、易受干扰等问题。系统采用Python与PyQt5开发，具备友好的UI界面，支持检测结果保存和
分类报告显示，“正常流量”“DDoS_UDP”“DDoS_ICMP”“MITM”的精确率和召回率均为1.00，而“SQL注入”（精确率0.62）、“XSS攻击”（精确率0.64）、“指纹识别攻击”（召回率0.27）的表现相对较弱——这是因为这些攻击的流量特征更细微（如SQL注入的恶意语句被加密、XSS攻击的脚本片段短）。混淆矩阵（图10）和归一化混淆矩阵（图11）进一步显示，误判主要集中在“注入攻
✅ Python CNN动物识别系统 TensorFlow+Django+Echarts 训练代码+数据集 毕业设计（建议收藏）
电力负荷预测对于电力系统的规划、运行和调度至关重要。准确的负荷预测能够帮助电力公司合理安排发电计划、优化电网资源配置，降低运营成本，提高供电可靠性。然而，电力负荷受多种复杂因素影响，如天气、季节、工作日 / 休息日等，呈现出非线性和非平稳的特性。传统的预测方法在处理这类复杂数据时存在一定局限性。为了更有效地捕捉负荷数据的特征，提升预测精度，本文提出基于变分模态分解（VMD）、卷积神经网络（CNN）
摘要： 本文提出了一种基于CNN+BiLSTM+Attention的滚动轴承寿命预测系统。该系统通过卷积神经网络提取振动信号特征，结合双向LSTM捕捉时序依赖关系，并引入注意力机制聚焦关键特征。代码实现了完整的数据处理流程（包括标准化和类别编码）以及模型构建过程，采用Keras框架搭建了包含卷积层、池化层、BiLSTM层和注意力机制的多层网络结构。模型使用Adam优化器和交叉熵损失函数进行训练，适
