文本数据的序列性使得RNN的循环迭代模式成为显而易见的选择，但如果我们把文本编码后的结果（Batch×sequence×embedding）看做一张图片，那么通过卷积的方式提取文本信息也理所当然。这就是TextCNN算法的初衷。 TextCNN是一种高效的文本卷积算法，其可以捕捉相邻文本间的局部结构关系，同时卷积的特性又使得其支持并行操作。该算法在文本分类问题上的效果与TextRNN算法相当，因此被广泛使用。 那么如何从图片编码的角度，来合理的看待文本数据编码呢？这里提供两种视角： 视角1： 宽度为1的长条状图片，其embedding的尺寸可视为图片的channel大小。 对此，可直接应用1

卷积神经网络；分类识别；数据增强与预处理；实时检测；

基于卷积神经网络的车辆检测与分类

matlab的欧拉方法代码时间积分方案 这是一个有限元研究项目，其目的是针对梁单元在瞬态分析中研究时域中不同数值积分方案的阻尼效应。 特别是对于纵向自由度的冲击载荷。 研究的主要集成方案是Backward-Euler，Newmark方法，居中方案，一些Runge-kutta方案和广义alpha方案。 将所进行的仿真与商业代码Abaqus进行比较，并研究了不同的属性，例如准确性，稳定性，鲁棒性。这些方法和主要的有限元方法都是在Matlab中实现和编程的。 还对图形用户界面进行了编程，以允许用户轻松选择数值积分方法并查看位移结果。 GUI显示了在2m光束的末端进行3500 N冲击模拟的结果，持续时间为1e-4秒。 这些参数可以在 Newmark.m 和 dynamics.m 请享用 ！

内外积代数运算及python,tensorflow,matlab语句的实现 在进行数学运算的时候经常会碰到向量以及矩阵的乘法，如果对符号和概念没有搞清楚的话经常会出现错误，尤其是将数学表达式代码化的时候，如果搞不清数据的维度以及做的是哪种乘法的话也会出现一些无法避免的错误，轻则代码量较小，代码跑几秒提示错误，然后改正。重则成百上千行的代码反复尝试多次不知道错在哪里，浪费大量不必要的时间，我也是经常遇到向量以及矩阵的运算，一次搞清楚事后不复习又忘记，然后再查再忘，今天就索性自己写一篇博客，将常见的内积和外积的代数运算做一下梳理，如果能给碰到同样问题的朋友提供一些参考那就再好不过了。因为matla

卷积神经网络在字符识别方面的应用.doc

双三次卷积模板算法.doc

使用FCN进行图像分割 使用Keras框架和Python3，我实现了一个包括其编码器和解码器的全卷积网络“ FCN”，以对室内场景图像（如卧室，客厅和饭厅）进行分割，以最终令人满意的精度，损失和平均交集超过了MIoU ”。 结果

验证码技术是确保网站安全性和用户信息隐私性的第一道保障。针对多样化的验证码，其识别技术也很多，传统验证码技术主要分为人工识别、字典模型识别和验证码图像分割识别，其中字典模型中较为典型的Tesseract-OCR，其识别率相对较低，过程操作复杂，需要对识别错误的文字做出修改不适合对复杂验证码做出高效迅速的识别。本文使用TensorFlow框架实现卷积神经网络算法对验证码进行识别，利用Captcha包下提供的ImageCaptcha（）方法生成模拟现实网站的验证码，利用卷积神经网络对生成的验证码进行训练生成训练模型，通过训练模型进行对测试集的测试得到识别率，识别率可达到97%以上远超传统验证码识别算法。

该代码使用联合稀疏表示模型来提高超声成像的轴向分辨率。 所提出的模型将沿轴向的稀疏反卷积与沿横向的稀疏偏好约束相结合。 有关详细信息，请参阅 J. Duan 等人，“使用联合稀疏表示模型提高超声成像的轴向分辨率”。