登录社区云，与社区用户共同成长
邀请您加入社区
先说数据这一块，torchvision的datasets.MNIST倒是方便，一行就下好了，但他*的下到一半断了，那个破进度条卡在67%一动不动，我等了特么半小时才发现是yann.lecun那个老域名404了，好在torchvision自己会切到aws的镜像，不然我真想砸电脑。训练的时候有个坑，就是增强过的数据训练集准确率看着没那么高，第一轮才61.5%，吓我一跳以为模型崩了，后来一想不对啊，增强
Python 类项目更适合算法、数据处理、推荐系统、图像识别方向，能够体现一定技术深度。本文主要整理这一类项目的基础搭建思路，包括项目创建、目录结构、功能模块、数据库设计方向，以及一些可以继续扩展的选题案例。
WiFi安全不应该是"出了事才知道"的被动游戏，而应该是"AI管家7×24小时守护"的主动防御。本项目要做的，就是用Python深度学习的大脑 + 强规则生成的武器 + 实时拦截的盾牌，打造一个真正能用的智能WIFI管家。让每一个连上WiFi的人，都能睡个安稳觉
在 5G 新空口中，OFDM 是核心波形，而信道估计的质量直接影响系统吞吐量。传统的 LS 和 MMSE 估计器在低信噪比或复杂多径下性能受限。近年来，深度学习凭借其强大的特征提取能力，为信道估计提供了新的思路。本文从零搭建一个 OFDM 仿真平台，实现 LS、MMSE 以及基于 CNN 和 LSTM 的估计器，并对比它们在 Rayleigh 衰落信道下的 MSE 和 BER 性能。
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
摘要：本研究设计了一个基于大数据技术的直播数据实时分析系统，通过数据采集、处理、分析和后台管理四大模块，实现了对直播平台多维度数据的实时处理与可视化展示。系统采用网络爬虫采集数据，进行缺失值和重复值处理等预处理，最终通过交互式界面展示播放量、社交网络分析等关键指标。功能上支持按标题、标签和UP主查询社交网络信息，有效提升了直播平台的数据分析能力，为决策提供支持。系统具有实时性强、操作简便等特点，未
本项目在Kaggle平台上构建了一个基于CNN的表情包生成器，利用FER2013数据集（48×48灰度图）训练7种基本情绪（生气、厌恶、恐惧、开心、悲伤、惊讶、平静）分类模型。模型采用4层卷积+全连接结构，配合数据增强和Dropout防止过拟合，训练15个epoch后验证准确率约51%。系统核心功能为：从测试集中随机抽取一张人脸图片，经OpenCV预处理后送入模型预测情绪，再根据识别结果匹配对应的
遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR）
时间序列预测在金融、气象、工程等领域扮演着至关重要的角色。精准的时间序列预测可以帮助决策者更好地理解过去、洞察现在、预测未来，从而制定更加合理的策略。近年来，深度学习技术凭借其强大的非线性拟合能力，在时间序列预测领域取得了显著的进展。然而，构建有效的深度学习模型往往需要仔细的超参数调优，这是一项耗时且复杂的任务。本文将聚焦于利用贝叶斯优化方法来优化卷积神经网络-长短期记忆网络（CNN-LSTM）模
【目标检测经典模型比较】二阶段--Fast R-CNNFaster R-CNNMask R-CNN三者比较与进步，包括各自优缺点。目标检测入门二阶段检测算法。
时间序列预测是预测未来时间点数据值的过程，在经济学、金融、气象、医疗等领域具有广泛的应用。卷积神经网络 (CNN) 作为一种强大的深度学习模型，近年来在图像处理、自然语言处理等领域取得了巨大成功，其强大的特征提取能力也使其在时间序列预测领域展现出巨大潜力。本文将介绍如何使用 MATLAB 实现 CNN 时间序列预测模型，并以实际案例进行分析，展示 CNN 在时序预测中的优势和应用。1. 引言时间序
Ground truth最近在做计算机视觉方面的一些工作，刚刚入行，懂得比较少，很多东西需要慢慢学习积累。即日起开始总结部分内容，以自己复习为根本出发点，可能比较low，无所谓啦～机器学习经常遇到ground truth一词，根据知乎回答，字面意思为地面真值，地面实况，可理解为以某种参考值为认定的真实值。比如，对某医学图像，含解剖结构，找某个医生进行边缘勾画，这个参考值，就成为了算法评价采...
基于kvasir v2胃病数据集对ResNet，ResNext，DenseNet,Shufflenet等进行测试，对比了这几个模型的效果
1.这一次作业主要是认识了在卷积神经网络过程中的一些新的专业词汇，经过这次作业的学习，我对卷积提取特征这一过程算是彻底明明白白了。首先，一般在卷积的过程中，会采用局部感知+权值共享的方式来在降低网络复杂度的同时保持网络性能或增加性能，局部感知让每个卷积核专注于特定的特征提取任务，权值共享让这些特征提取任务在整个图像上保持一致。池化同样是一种降低网络复杂度同时又保持网络性能的手段，通过使用某些值来代
cnn
——cnn
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
亚马逊云科技技术品牌专区
DAMO开发者矩阵
