亲测好用基于Tensorflow用CNN（卷积神经网络）处理kdd99数据集，代码包括预处理代码和分类代码，准确率99.6%以上，并且快速收敛至最优值。
(BasedonTensorflow(convolutionalneuralnetwork)processingKDD99datasetbasedonCNN,thecodeincludespreprocessingcodeandclassificationcode,theaccuracyrateismorethan99.6%,andquicklyconvergetotheoptimalvalue.)
(BasedonTensorflow(convolutionalneuralnetwork)processingKDD99datasetbasedonCNN,thecodeincludespreprocessingcodeandclassificationcode,theaccuracyrateismorethan99.6%,andquicklyconvergetotheoptimalvalue.)
2025/12/20 7:16:40
17.45MB
1
深度学习图像处理可运行Googlenet卷积神经网络CNN代码解析，深度学习图像处理可运行Googlenet卷积神经网络CNN代码解析，对MATLAB-deeplearningmaster工具箱的例子进行了说明。
2025/12/19 13:38:39
199KB
1
关于Eyeriss项目的介绍性文档，内容包括介绍卷积神经网络，介绍Eyeriss项目的基本架构、算法单元结构、数据流压缩方式、计算流程方式等。
Eysriss属于MIT的一个项目，目前该项目已经流片。
它的运行效率是普通手机GPU的10倍，因此可以直接在移动设备上执行强大的人工智能算法，而不需要将数据上传到互联网进行处理。
Eysriss属于MIT的一个项目，目前该项目已经流片。
它的运行效率是普通手机GPU的10倍，因此可以直接在移动设备上执行强大的人工智能算法，而不需要将数据上传到互联网进行处理。
2025/12/8 3:21:05
3.8MB
1
现流行的AlexNet,VGGNet,GoogleNet,SENet,ResNet等11篇经典卷积神经网络
2025/12/7 8:42:36
42.51MB
1
基于Tensorflow用CNN（卷积神经网络）处理kdd99数据集，代码包括预处理代码和分类代码，准确率99.6%以上，并且快速收敛至最优值。
(BasedonTensorflow(convolutionalneuralnetwork)processingKDD99datasetbasedonCNN,thecodeincludespreprocessingcodeandclassificationcode,theaccuracyrateismorethan99.6%,andquicklyconvergetotheoptimalvalue.)
(BasedonTensorflow(convolutionalneuralnetwork)processingKDD99datasetbasedonCNN,thecodeincludespreprocessingcodeandclassificationcode,theaccuracyrateismorethan99.6%,andquicklyconvergetotheoptimalvalue.)
2025/12/3 13:36:02
17.45MB
1
分子识别特征（MoRF）是内在无序蛋白（IDP）的关键功能区域，它们在细胞的分子相互作用网络中起重要作用，并与许多严重的人类疾病有关。
鉴定MoRF对于IDP的功能研究和药物设计都是必不可少的。
本研究采用人工智能的前沿机器学习方法，为改进MoRFs预测开发了强大的模型。
我们提出了一种名为enDCNNMoRF（基于集成深度卷积神经网络的MoRF预测器）的方法。
它结合了利用不同特征的两个独立的深度卷积神经网络（DCNN）分类器的结果。
首先，DCNNMoRF1使用位置特定评分矩阵（PSSM）和22种氨基酸相关因子来描述蛋白质序列。
第二种是DCNNMoRF2，它使用PSSM和13种氨基酸索引来描述蛋白质序列。
对于两个单一分类器，都采用了具有新颖的二维注意机制的DCNN，并添加了平均策略以进一步处理每个DCNN模型的输出概率。
最后，enDCNNMoRF通过对两个模型的最终得分进行平均来组合这两个模型。
当与应用于相同数据集的其他知名工具进行比较时，新提出的方法的准确性可与最新方法相媲美。
可以通过http://vivace.bi.a.utokyo.ac.jp:8008/fang
鉴定MoRF对于IDP的功能研究和药物设计都是必不可少的。
本研究采用人工智能的前沿机器学习方法，为改进MoRFs预测开发了强大的模型。
我们提出了一种名为enDCNNMoRF（基于集成深度卷积神经网络的MoRF预测器）的方法。
它结合了利用不同特征的两个独立的深度卷积神经网络（DCNN）分类器的结果。
首先，DCNNMoRF1使用位置特定评分矩阵（PSSM）和22种氨基酸相关因子来描述蛋白质序列。
第二种是DCNNMoRF2，它使用PSSM和13种氨基酸索引来描述蛋白质序列。
对于两个单一分类器，都采用了具有新颖的二维注意机制的DCNN，并添加了平均策略以进一步处理每个DCNN模型的输出概率。
最后，enDCNNMoRF通过对两个模型的最终得分进行平均来组合这两个模型。
当与应用于相同数据集的其他知名工具进行比较时，新提出的方法的准确性可与最新方法相媲美。
可以通过http://vivace.bi.a.utokyo.ac.jp:8008/fang
2025/10/29 10:38:37
1.56MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB