系统是学期结束做的学期大作业，有免安装版直接测试功能，有完整的源码，保证完整无误，配置环境自行百度即可。
实现了人脸识别人脸标识，训练样本后能识别出训练对象，大家可以继续改进，学习
实现了人脸识别人脸标识，训练样本后能识别出训练对象，大家可以继续改进，学习
2023/10/11 15:14:49
12.79MB
1
bp神经网络实现的手写英文字母识别，内附训练样本，基于matlab平台实现
2023/9/20 0:06:58
348KB
1
单特征MNIST库手写数字识别实现（matlab），采用粗网格特征进行学习识别，首先提取MNIST数据库60000个训练样本手进行特征提取，然后对10000个测试样本进行测试，matlab实现
2023/9/19 9:22:55
342KB
1
基于最小错误率的Bayes分类器的MATLAB实现，程序能出判别矩阵，训练样本分布图，测试样本分布图及分类后的分布图，可以选择训练样本数目，绝对能用！！
2023/9/15 22:09:30
37KB
1
自己用matlab编写的基于Gabor的2DPCA人脸识别程序，运行速度快，识别率较高，直接输出对Yale数据库的识别率。
本程序附带Yale数据库，可以直接运行。
通过修改训练样本的个数，输出不同的识别律，可以研究训练样本个数对识别率的影响。
本程序附带Yale数据库，可以直接运行。
通过修改训练样本的个数，输出不同的识别律，可以研究训练样本个数对识别率的影响。
2023/8/22 14:39:33
6KB
1
本文件功能：用BP神经网络预测温湿度。
本次仿真，预测模型为8*8*8*1，输入数据为359天数据（一个小时测一个数据，一天数据为24）。
其中350天数据做训练样本，用来训练BP网络模型的权值和阈值，4天用来做测试样本，用来测试3天左右的温湿度预测值。
本次训练效果比较上次仿真较为准确，判定系数可以达到0.8左右（越靠近1表明仿真效果越好），预测值与实际值点状图基本围绕在主对角线左右，MSE平方误差可以达到0.01，BP网络预测输出图也可以看出预测值的变化趋势基本与期望值一致。
本次仿真存在不足：1.未修改学习率、附加动量等参量没有解决BP网络收敛慢的问题。
2.没有使用全局优化的算法，没有解决BP容易陷入极值点的问题。
这种用BP网络来进行预测的模型网上有很多，但是大多数都是预测风力发电等，可能也是因为该BP模型是40年代所提出，我是没有找到有温湿度的预测，该代码纯属自己改写的，并且运行无误，现在分享出来，让大家节省一些时间去研究更有深度的算法。
本次仿真，预测模型为8*8*8*1，输入数据为359天数据（一个小时测一个数据，一天数据为24）。
其中350天数据做训练样本，用来训练BP网络模型的权值和阈值，4天用来做测试样本，用来测试3天左右的温湿度预测值。
本次训练效果比较上次仿真较为准确，判定系数可以达到0.8左右（越靠近1表明仿真效果越好），预测值与实际值点状图基本围绕在主对角线左右，MSE平方误差可以达到0.01，BP网络预测输出图也可以看出预测值的变化趋势基本与期望值一致。
本次仿真存在不足：1.未修改学习率、附加动量等参量没有解决BP网络收敛慢的问题。
2.没有使用全局优化的算法，没有解决BP容易陷入极值点的问题。
这种用BP网络来进行预测的模型网上有很多，但是大多数都是预测风力发电等，可能也是因为该BP模型是40年代所提出，我是没有找到有温湿度的预测，该代码纯属自己改写的，并且运行无误，现在分享出来，让大家节省一些时间去研究更有深度的算法。
2023/8/2 9:25:48
2.28MB
1
yelp_review_full_csv数据集，是Yelp为了学习目的而发布的一个开源数据集。
它包含了由数百万用户评论，商业属性这是一个非常常用的全球NLP挑战数据集。
训练集总共650,000，测试集50,000，一共5个分类，每一种各有130,000训练样本，10,000个测试样例。
它包含了由数百万用户评论，商业属性这是一个非常常用的全球NLP挑战数据集。
训练集总共650,000，测试集50,000，一共5个分类，每一种各有130,000训练样本，10,000个测试样例。
2023/7/29 7:34:58
187.06MB
1
培训关于批处理AI的分布式培训此仓库是有关如何使用BatchAI以分布式方式训练CNN模型的教程。
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
2023/7/28 19:18:56
437KB
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