DOC2vec，是为一群用来产生词向量的相关模型。
这些模型为浅而双层的神经网络，用来训练以重新建构语言学之词文本。

我收集的猫数据集，用于训练基于HOG特征的分类器。
详细请参考我的博客：http://blog.csdn.net/hongbin_xu/article/details/78443289

欢迎下载，画出训练模型时的Train和Validate的Loss曲线

该代码使用Tensorflowr1.7在Ubuntu14.04下使用Python2.7和Python3.5进行测试。
代码中包含测试用例。
模型使用固定图像标准化。
在中科院自动化所，WebFace数据集已经被用于训练。
该面部检测后，该训练集包括总共453453个图像，超过10575个身份。
如果在训练之前过滤了数据集，则可以看到一些性能改进。
有关如何完成此操作的更多信息将在稍后提供。
性能最佳的模型已经在VGGFace2数据集上进行了训练，该数据集由~3.3M面和~9000个类组成。
提供了几个预训练模型。
请注意，模型的输入图像需要使用固定图像标准化进行标准化

提供了四种RBFNN训练算法，对matlab中的径向基函数神经网络训练做了详细介绍

深度学习车辆识别训练模型数据集（全量708M），每一类200张，已通过程序验证train├─bus├─familysedan├─fireengine├─heavytruck├─jeep├─minibus├─racingcar├─SUV├─taxi└─truck

全国大学生电子设计大赛--基本技能训练与单元电路设计

提出了一种将蚁群算法与算法相融合共同完成反传神经网络训练的方法，ACO一BP算法。
该算法首先采用蚁群算法对网络权值进行整体寻优，克服BP算法容易陷入局部最优的不足再以找到的较优权值为初值，采用BP算法做进一步的寻优，以提高网络的训练和预报精度。
将ACO一BP神经网络用于函数逼近问题，并与BP神经网络、蚁群算法神经网络和遗传神经网络的逼近结果进行了比较，验证了该算法的有效性。

现代设备技术水平不断提高，生产率、自动化要求越来越高，相应地，故障也随之增加。
变压器作为电力系统中非常复杂而且非常重要的设备，其工作状态对电力系统、企事业单位生产及居民生活具有十分重要的影响。
如何提前对变压器故障进行预测和在故障发生后迅速判断故障原因是提高工作效率、减少经济损失的一个重要途径。
因此研究变压器故障诊断对保证系统安全、可靠、经济运行，提高经济效益具有重要意义。
本文针对传统故障诊断的若干弊病，提出了将神经网络用于变压器故障诊断系统。
传统的故障诊断方法大多是以领域专家和操作者的启发性经验知识为核心，知识获取困难、推理效率低下、自适应能力差，并且常见的诊断方法常常由于其单一性而存在一定的误差。
同时由于故障征兆和故障类型之间常常存在复杂的非线性关系，使得诊断系统的数学模型很难获取。
而人工神经网络以其分布式并行处理、自适应、自学习、联想记忆以及非线性映射等优点，为解决这一问题开辟了新途径。
鉴于此，在开发变压器故障诊断系统时，将神经网络作为故障分类器进行设计。
本文首先分析了故障诊断和神经网络的基本理论，并在此基础上提出了神经网络对于变压器故障诊断系统的适用性;文中将BP神经网络算法用计算机实现;并针对其本身存在的一些缺点提出了一系列改进措施，通过在修正权值的时候增加动量项，并且限制输入值范围来减小误差、提高系统的诊断正确率;在对输入数据进行归一化处理的时候，采取按类逐项归一化的方法，避免了输入数据出现0或者1而使训练进入平坦区。
这样可以大大提高系统的诊断效率和诊断正确率。
将变压器诊断中典型的油中气体分析法和神经网络方法相结合，采用Java语言开发出界面友好、性能优秀的变压器故障诊断系统;此外，文中还详细探讨了网络各结构参数的选择方法，并且就变压器这一实际诊断系统，分析了不同结构参数对系统误差的影响。
在文章的最后，总结了神经网络故障诊断系统的优秀性能以及它存在的不足，并且分析了未来神经网络用于故障诊断的前景和发展方向。
关键词故障诊断；
神经网；
BP算法；
变压器油中气体分析

DeepConvolutionalTransferLearningNetworkANewMethodforIntelligentFaultDiagnosisofMachineswithUnlabeledData(深度卷积迁移学习网络：一种新的无标记机器故障智能诊断方法)雷亚国团队2018年文章。
机械智能故障诊断的成功依赖于两个条件。
1)含有故障信息的有标签数据是可用的。
2)训练和测试数据是从相同的概率分布中获取的。
然而，对于大部分机械，很难获得大量的有标签数据。
此外，尽管一些机械可以获取有标签数据，但是由于数据分布的差异，用这些有标签数据训练的智能故障诊断方法可能无法对从其他机械获得的无标

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。