AI古诗生成器，唐诗，五言绝句自动生成（包含预训练模型，数据集，全套代码）

这是一个基于Keras的AI作诗程序，它利用LSTM和RNN算法来学习和预测古诗、唐诗、五言绝句等诗歌形式。该程序不仅提供了多种生成方式，包括藏头诗、随机写诗和给定第一句诗或字进行作诗等，还可以自由控制生成的诗歌形式和长度，让用户可以根据自己的喜好和需求进行创作。 在使用该程序时，用户可以自由调控生成诗歌的概率，从而产生更具有多样性的故事，迸发出更多的创意和灵感。除了用于生成诗歌，该程序还可以用于创作灵感的启发、诗歌风格的探索等，具有多种实用价值和趣味性。 此外，该程序还支持数据集的替换，用户可以根据自己的需要选择不同的数据集，从而让程序学习到更多的古诗，得到更好的结果。这使得该程序能够不断地迭代和优化，不断提升其生成诗歌的质量和多样性。

基于CIFAR10 MAE的实现（含模型权重，TensorBoard可视化等）

由于可用资源有限，我们仅在 cifar10 上测试模型。 我们主要想重现这样的结果： 使用 MAE 预训练 ViT 可以比直接使用标签进行监督学习训练获得更好的结果。这应该是自我监督学习比监督学习更有效的数据的证据。 主要遵循论文中的实现细节

口罩目标检测数据集（已标注好，VOC格式）

使用yolo进行口罩检测 里面包含口罩目标检测数据集（已标注好，VOC格式） xml文件和jpg文件都放在文件夹中，可以根据自己格式进行运行

CRNN完整源码实现--用PyTorch攻陷文字识别

CRNN-Pytorch 记录CRNN的学习 CRNN是2015年提出的一种，端对端的，场景文字识别方法，它采用CNN与RNN的结合来进行学习。它相对于其他算法主要有以下两个特点： 端对端训练，直接输入图片给出结果，而不是把多个训练好的模型进行组合来识别 不需要对图片中的文字进行分割就可以进行识别，可以适应任意长度的序列 里面包括所有的代码，可以进行训练，本代码是训练了IIIIT-5k的数据集，得到了模型在文件夹内，可以进行训练和预测 除此之外，ipynb文件中，利用pytorch搭建CRNN，对验证码进行识别，准确率都是很不错的，达到很不错的结果，可以自定图片和网络结构

Keras对CIFAR10的图像分类全套代码（包含多个模型）

利用tensorflow的后端Keras实现我们的CIFAR10的图像分类 keras简单易懂，代码量和工程都不大，可以自动利用GPU进行训练，调节显存的大小 模型有LeNet，AlexNet，VGG，GoogLeNet，ResNet，DenseNet等等 也可以通过进行可视化输出结果，也含有数据增强等方法提高准确率 在资源中有全部代码的学习资料，并且包括所有的权重，代码所有都可运行，可执行，可复现代码的结果 可以利用所有的模型权重进行迁移学习，利用自己的数据集进行运行得到结果都是可以的

大数据驱动的深度模型在图像分类中的应用（VGG16+VGG19图像分类，源码结果都可运行）

简述VGG模型，说明其中的结构（描述模型的结构，哪一层是卷积、那一层是池化、那一层是全连接？），并使用VGG模型完成下面图像分类的实验(建议使用Python语言,Pytorch 框架)。图像分类数据集：CIFAR-10，由10个类的60000个32x32彩色图像组成，每个类有6000个图像；有50000个训练样本（训练集）和10000个测试样本（测试集） 分别使用数据集中训练集的1%、10%、50%、80%样本进行训练模型，使用测试样本进行测试，简述步骤并对比使用不同比例的训练样本对于训练结果的影响（即模型训练完成后，使用测试样本输入模型得到的准确率）。随着数据量的增大，观察每一次模型迭代（模型每完成一次迭代，即所有训练样本输入到模型中进行训练更新）所需的计算时间、内存消耗变化，并做比较。分析试验结果，回答下面问题： A． 说明你实验的硬件环境 B． 说明自己程序中使用的是哪种梯度下降算法（随机、批量、全部）？ C． 训练过程中你调整了哪些参数，谈谈你的调参过程和调参技巧 D． 当数据量逐渐变大时，你的训练测试过程有没遇到实质性困难？

GAN探索之数字样本生成（Pytorch实现LeNet网络进行对抗比较）

数字对抗样本生成 LeNet是一个小型的神经网络结构，仅包含两层卷积层、两个池化层以及三层全连接。该轻量级网络能快速、占内存小、高精确度的解决复杂度比较低的问题，如手写数字识别。本实验要求： (步骤1)用LeNet网络完成手写数字识别任务。 (步骤2)利用对抗样本工具包生成针对该网络的对抗样本。 首先简要介绍了GAN的原理，通俗易懂 我简要实现了这一部分，并且包括每一部分的数字可视化功能，包括LeNet模型的构建，以及对于LeNet的超参数的调节和一些方法，最后也把模型权重保存下来，不用训练也可以直接用。 在步骤二中，生成针对该网络的对抗样本。做了威胁模型，快速梯度符号攻击，定义扰动上限 epsilons，被攻击的模型，FGSM 攻击方式，测试函数的操作 最后启动攻击，得到对抗结果，最后比较准确性 vs Epsilon，就得到最后的实验结果。 所有的介绍和方法和代码都是可以直接运行的

Implements of MATAB神经网络30个案例分析

Implements of MATAB神经网络30个案例分析 《MATAB神经网络30个案例分析》中各个章节的代码实现 里面包含着各个经典的模型，里面含有对应的代码可以进行学习和复现结果

中文情感分析 Python

中文情感分析的实质是文本分类问题，本项目分别采用CNN和BI-LSTM两种模型解决文本分类任务，并用于情感分析，达到不错的效果。 两种模型在小数据集上训练，在验证集的准确率、号回率及F1因子均接近90% 项目设计的目标可以接受不同语料的多种分类任务，只要语料按照特定格式准备好，就可以开始调参训练、导出、serving。

机器学习、NLP面试中常考到的知识点和代码实现

此项目是机器学习、NLP面试中常考到的知识点和代码实现，也是作为一个算法工程师必会的理论基础知识。 既然是以面试为主要目的，亦不可以篇概全，请谅解，有问题可提出。 此项目以各个模块为切入点，让大家有一个清晰的知识体系。 此项目亦可拿来常读、常记以及面试时复习之用。 每一章里的问题都是面试时有可能问到的知识点，结尾处都有算法的实战代码案例。