介绍： 用于人类活动识别的LSTM-CNN模型第一个可穿戴的数据集是“ ，该包含30位受试者的记录，这些受试者在进行带有腰部安装式智能手机的嵌入式智能手机的同时进行日常生活（ADL）活动。 每个人都在腰上佩戴智能手机（三星Galaxy S II）进行六项活动。 从嵌入式加速度计和陀螺仪中，以50Hz的恒定速率捕获3轴线性加速度和3轴角速度。 标签是通过视频记录的。 传感器信号通过应用噪声滤波器进行预处理，然后在2.56秒和50％重叠（128个读数/窗口）的固定宽度滑动窗口中采样。 通过从时域和频域计算变量，从每个窗口获得了561个特征的向量。 另一个可穿戴数据集是数据集，该数据集包含十名志愿者在执行12项常见活动时的身体运动和生命体征记录。 放置在对象胸部，右手腕和左脚踝上的传感器用于测量身体各个部位所经历的运动，即加速度，转弯速率和磁场方向。 置于胸部的传感器还提供2导联心电图测量，可

面具识别 实时口罩磨损检测模型 使用Mobilenet V2 CNN模型预测是否戴口罩。 人脸检测使用Caffe2框架 描述 导入模块 带有python3的OpenCV keras，plaidml-keras（用于AMD GPU计算） 麻木 matplotlib argparse 张量流2.2.0 用法 火车 $ python train_mask_detector.py --dataset dataset 图像 $ python detection.py --image [Path to Image] 视频 更改detection.py中的视频路径后使用 $ python detection_video.py

重新思考音频分类的CNN模型 该存储库包含我们的论文《的PyTorch代码。 在以下三个数据集上进行了实验，这些数据集可以从提供的链接中下载： 前处理 预处理是单独进行的，以节省模型训练期间的时间。 对于ESC-50： python preprocessing/preprocessingESC.py --csv_file /path/to/file.csv --data_dir /path/to/audio_data/ --store_dir /path/to/store_spectrograms/ --sampling_rate 44100 对于UrbanSound8K： python preprocessing/preprocessingUSC.py --csv_file /path/to/csv_file/ --data_dir /path/to/audio_data/ --

resnet50 的onnx文件

文章目录前言适用于多时间步预测的CNN模型1 单变量多步预测 CNN 模型1.1 业务需求1.2 1D CNN 模型1.3 完整代码 前言 与其他机器学习算法不同，卷积神经网络能够从序列数据中自动学习特征，支持多变量数据，并可直接输出用于多步预测的向量。一维CNN已被证明可以很好地执行，甚至在具有挑战性的序列预测问题上也能达到最新的结果。 计划用两篇文章介绍如何开发 1D CNN 进行多步时间序列预测。主要内容如下： 如何为单变量数据开发多步时间序列预测的CNN模型； 如何为多变量数据开发多通道多步时间序列预测的CNN模型； 如何为多变量数据开发多头多步时间序列预测的CNN模型。 本文介绍

CNN模型简单介绍,按照提出时间依次介绍LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN。十几页的ppt，主要介绍各个模型的核心思想、贡献，希望能为大家提供一条清晰的CNN发展脉络。具体的算法实现等需要阅读文章代码。相关文章会作为另一个资源提供免费打包下载。

MNIST手写数据集、CNN训练模型

1.基于Keras批量修改文件名以定义标签； 2.可根据自己的数据集图像特点调整参数，实现2分类或多分类任务的模型训练； 3.模型结构可自己更改； 4.输出训练loss和accuracy变化曲线。

传统的情感分析研究大多基于机器学习算法，此类方法依赖大量人工抽取的特征与领域知识。使用卷积神经网络自动学习文本的特征表示，进而判别文本的情感极性。为了解决情感分析中监督训练样本不足的问题，利用大规模弱监督数据来训练卷积神经网络。同时引入“预训练-微调”策略，先在弱监督数据集上对卷积神经网络进行预训练，然后使用监督数据集进行微调训练来克服弱监督数据中的噪声问题。在SemEval-2013 Twitter情感分析数据集上进行实验验证，结果表明由于引入了弱监督数据参与训练，有效增强了卷积神经网络学习情感语义的能力，从而提升了模型的准确性。

NYC_Traffic_Safety_Project 我整理并整理了我所做的第一个项目的代码（与同学们组成一个团队，归功于陈书效，赖小亚，罗旭丹，钟敏喜和李嘉颖）。 此仓库包含纽约市地图和事故的原始数据，还包括用于进行预处理并将其输入到CNN模型中的Python代码。 背景 在城市中，交通事故正成为越来越普遍的伤害和死亡原因。 根据NYC Open Data的数据，仅在纽约，2018年过去几天每天平均发生622起交通事故。 因此，预测未来事故的能力（例如，地点，时间或方式）不仅对公共安全利益相关者（例如，警察，自治企业）而且对运输管理人员和个人旅行者都非常有用。 许多学者对交通事故的原因进行了大量研究，但很少关注道路设计。 但是，在许多情况下，每年都会设计出令人难以置信的十字路口，导致事故发生。 我们做了什么 我们训练了一个卷积神经网络（CNN），使用十字路口的卫星图像作为特征，附近交通