登录社区云，与社区用户共同成长
邀请您加入社区
摘要：本文是系列第十三篇（上篇）。在前两篇实现卷积层和池化层的基础上，我们按照 LeNet-5 经典架构，利用 NumPy 完成模块组装与数据流串联，不依赖任何深度学习框架。文章真实记录了因初始化策略不当导致损失异常（从 2.84 → 2.61 → 2.31） 的完整调优过程，最终将随机基线稳定在理论值（2.30）附近。下篇将在此基线基础上，串联反向传播算法并启动正式训练。
本文介绍了5个基于Python深度学习的语音识别项目，包括动物异常声音识别、数字语音识别、英文单词识别，以及针对狗叫和猫叫的特定声音识别。这些项目展示了深度学习在音频处理领域的应用，通过神经网络模型实现了对不同类型声音特征的提取和分类。每个项目都配有详细的视频教程链接，为开发者提供了实用的技术参考和实现方案。
本文介绍了基于美国交通流量数据的三种深度学习预测模型(CNN-GRU、CNN-BiGRU-Attention、LSTM)的实现与对比。使用2018年9月至10月采集的15条道路、12096条15分钟间隔的单向交通流量数据，采用历史6个时间点数据预测下个时间点流量的实用方法。提供了可直接运行的Python代码及数据，包含三种模型的测试结果对比和真实值可视化(plt.py)。特别说明特征标签的合理选择
本文介绍了一个基于深度学习的蔬菜识别系统，使用PyTorch框架实现了ResNet50、VGG16和ResNet34三种卷积神经网络模型。系统提供GUI界面（PySide6）和Web前端界面（Flask+Vue）两种操作方式，支持模型训练、验证和测试全流程。项目包含完整的数据集、代码和预训练模型，可输出训练过程曲线、分类混淆矩阵、热力图等可视化结果，并计算准确率、精确率等评估指标。系统支持自定义数
本文提出了一种基于CNN-SVM的轴承故障诊断方法。实验采用IMS数据集，包含正常、内圈、外圈和滚动体四种状态。网络结构将传统CNN最后一层替换为SVM分类器，通过特征提取与分类相结合提升诊断性能。结果表明该方法能有效识别不同故障类型，并附有效果图展示诊断结果。该方法具有通用性，可拓展至CWRU、PU等其他轴承数据集验证。
