沟通是聋哑社区和社会其他成员之间的障碍。 手语用于在这些不会说话和听不懂的人之间进行交流。 在过去的几年中，手语识别的自动化已引起研究人员的关注。 已经开发了许多复杂且昂贵的硬件系统来辅助该目的。 但是，我们建议使用深度学习方法进行自动手语识别。 我们设计了一种基于ResNet50的新型2级深度神经网络体系结构来对拼写单词进行分类。 使用的数据集是标准的[1]的美国手语手势数据集。 首先使用各种扩充技术来扩充数据集。 在基于2级ResNet50的方法中，1级模型将输入图像分类为4组之一。 在将图像分类为一组图像之后，将其提供为相应的第二级模型的输入，以用于预测图像的实际类别。 我们的方法在12,048张测试图像上产生了99.03％的精度。

反向传播和梯度下降的数学原理，及相关公式的推导，里面能够学习到数学原理。

国防科大人工神经网络课件-神经网络导论第二章.ppt 很不错！！！

国防科大人工神经网络课件-神经网络导论第四章.ppt 很不错！！！

【混沌时间序列预测rnn的广义实现】 在不使用任何库或数据预处理工具的情况下，已经创建和编码了完整的模型。主要目标是对未来henon混沌时间序列的预测。 bptt.m -时间反向传播 forward.m -正向传播 dsigmoid.m , dtanh -激活函数的导数 sigmoid.m - 变参数Sigmoid函数 gradDes -梯度下降

基于CNN(卷积神经网络)的时间序列预测python源码+超详细注释 以CNN网络模型为示例，介绍了各种不同数据类型的网络结构 重点包含： 1.如何构造输入输出数据的形状 2.如何配置合适的网络参数来接受这些输入输出训练数据 本教程的目的是提供不同类型的时间序列预测模型的独立示例，作为模板，您可以针对特定的时间序列预测问题进行复制和调整

基于LSTM(长短期记忆人工神经网络)_CNN+LSTM_堆叠式LSTM的时间序列预测python源码+超详细注释 以LSTM网络模型为示例，介绍了各种不同数据类型的网络结构 重点包含： 1.如何构造输入输出数据的形状 2.如何配置合适的网络参数来接受这些输入输出训练数据 本教程的目的是提供不同类型的时间序列预测模型的独立示例，作为模板，您可以针对特定的时间序列预测问题进行复制和调整

结合小波变换和BP神经网络模型，提出了一种基于小波神经网络的图像边缘检测方法。利用二进小波边缘检测技术对灰度图像局部进行边缘检测，把边缘信息作为神经网络的输出，对局部图像数据进行神经网络模型训练，通过训练得到的局部图像模型预测得到整幅图像像素的边缘信息，通过对BP神经网络和小波神经网络的边缘检测结果进行对比实验可知，小波神经网络模型预测得到的边缘检测信息不仅比BP神经网络模型好，而且也可以更清楚地得到边缘近邻的更多信息。

为提高掌纹图像识别率,首先利用手掌的几何轮廓对所采集到的掌纹图像进行预处理,进行分割得到感兴趣的区域。再利用小波变换对掌纹图像分别进行多层分解,进而提取小波特征。最后利用BP神经网络进行分类。通过仿真实验表明,与单一的神经网络方法进行掌纹识别相比,这种将小波分析与神经网络相结合的方法收敛步数少、用时短、具有较高的识别率。

cifar10文件夹：包括了cifar10原数据库 kaggle文件夹：包括了在kaggle上训练好的模型，以及日志文件 model文件夹：包括了本地cpu训练好的模型 src文件夹：kaggle_tensorboard.py: 用于使用tensorboard展示kaggle上训练的日志 model.py: 神经网络模型 res_model：残差网络模型 有问题就发邮件。GuanlinLi_BIT@163.com