inception_v3_2016_08_28.tar.gz是一个紧缩包，解压后得到inception_v3.ckpt，inception_v3模型训练
2023/1/19 9:23:34
96.21MB
1
本系列课程利用MATLAB进行深度学习，课程将从数据集设置、模型搭建、模型训练、模型测试、模型评价等方面，深入引见MATLAB深度学习工具箱。
最后利用一个实例——多种果树病虫害识别。
（这是最新版，已更新！）
最后利用一个实例——多种果树病虫害识别。
（这是最新版，已更新！）
2022/12/22 19:05:26
503.66MB
1
这是鄙人博客googlenetinceptionv1v3模型训练的模型，博客地址：https://blog.csdn.net/guyuealian/article/details/81560537
2018/4/13 2:18:17
127.08MB
1
ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
2019/7/26 21:18:43
206KB
1
ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
2019/7/26 21:18:43
206KB
1
基于神经网络的车牌识别，点击即可运行，内容包含：图像预处理，车牌水平矫正，字符分割，三层神经网络模型训练，字符识别显示，制造了简易的GUI界面，便于输出显示！
2017/11/3 3:04:10
38.71MB
1
FLIR公司的ADAS可见光-红外数据库（共有5个文件总共15G左右），以及两个其他小数据集。
FLIR的数据库用于无人驾驶汽车的辅助夜视零碎深度学习模型训练。
这是目前业内最齐全的数据集。
FLIR的数据库用于无人驾驶汽车的辅助夜视零碎深度学习模型训练。
这是目前业内最齐全的数据集。
2018/2/12 19:11:33
147B
1
FEAST算法是特征选择算法的一种，全称叫aFEAtureSelectionToolboxforCandMATLAB算法，FEAST提供了基于共同信息的滤波特征选择算法的实现，通过特征选择，可以协助我们筛选出有用的特征，减少模型训练时间。
函数已经打包好，在matlab中直接调用即可，输入想要的特征个数，会自动返回最优的特征，并且会有一个从优到劣的排序。
这是2017年更新的最新版本v2.0.0的全部源代码。
函数已经打包好，在matlab中直接调用即可，输入想要的特征个数，会自动返回最优的特征，并且会有一个从优到劣的排序。
这是2017年更新的最新版本v2.0.0的全部源代码。
2017/3/16 12:55:22
80KB
1
基于深度学习字符型图片数字验证码识别完整过程及Python实现（深度学习学习、实现数字、字符模型训练、详细引见附源码）
2019/2/17 14:08:45
9.58MB
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