模型可视化软件.zip

很多时候，复现人家工程的时候，需要了解人家的网络结构。但不同框架之间可视化网络层方法不一样，这样给研究人员造成了很大的困扰。 前段时间，发现了一个可视化模型结构的神奇：Netron

characterData.zip

深度学习，图像识别，目标检测

2015-Chen_Minds_Eye_A_2015_CVPR_paper

在本文中，我们探索图像之间的双向映射及其基于句子的描述。 对于我们的方法而言，至关重要的是一个递归神经网络，它会在生成或读取字幕时尝试动态构建场景的视觉表示。 代表会自动学会记住长期的视觉概念。 我们的模型既可以在给定图像的情况下生成新颖的字幕，又可以在给定图像描述的情况下重建视觉特征。 我们在一些任务上评估我们的方法。 这些包括句子生成，句子检索和图像检索。 显示了用于生成新颖图像描述的任务的最新结果。 与人工生成的字幕相比，我们自动生成的字幕在21.0％的时间内等于或偏爱人类。 对于使用类似视觉特征的方法，结果比图像和句子检索任务上的最新结果更好或可比。

模板匹配之信用卡识别

利用目标检测出信用卡卡号的位置并框出，利用模板匹配得到最高的得分的数字保存并显示在最后的识别结果上，是学习深度学习和机器学习的很好借鉴

利用UDP实现局域网通信

本程序是利用java实现了UDP下的局域网通信，并打包成了EXE可执行文件，不需要java环境就可以直接运行在自己的电脑上，是学习网络通信的很好的例子

基于双向GRU和贝叶斯分类器的文本分类

基于BiGRU和贝叶斯分类器的文本分类，利用搜狐新闻数据集进行实现，对12个种类进行分类，里面设计BiGRUB提取文本特征，TF-IDF特征权重赋值，Bytes分类进行实现，学习深度学习和机器学习很好的借鉴。

基于矢量量化的图像压缩

矢量量化（VQ）实际上就是一种逼近的形式，它的思想和“四舍五入”有异曲同工之妙，都是用一个和一个数最接近的整数来近似表示这个数。VQ问题可以这样描述：给定一个已知统计属性的矢量源（也就是训练样本集，每一个样本是一个矢量）和一个失真测度。还给定了码矢的数量（也就是我们要把这个矢量空间划分为多少部分，或者说量化为多少种值），然后寻找一个具有最小平均失真度（数据压缩，肯定是失真越小越好）的码书和空间的划分。

LSTM实现新闻分类.zip

在本次实例的过程中，采取的数据集为50000条已经标注好的新闻文本信息，其中新闻的种类分别为：体育、娱乐、家居、房产、教育、时尚、时政、游戏、科技和财经，保存在cnew.txt文件中。 把文件读取出来，把文本信息和标签信息分别存储在sentences和labelbanes中，由于标签信息为中文，在模型训练的过程中，不能传入非结构化的数据，所以进行向量化，定义label2id将标签和序号相对应，并且把labelnames中的文字信息转化为数字存储在labels。具体的操作如图2所示。

CNN实现图片分类.zip

数据预处理：将数据集按照类别进行分组处理，分别对应的目录为0-9，读取图片，保存数据集； 将数据集和标签按照相同的种子进行打乱处理，然后按照标签的比例进行分割数据集，80%作为训练集（训练集中的10%作为验证集，查看是否过拟合），20%作为测试集。 构建CNN模型，这里是基于TensorFlow2.0进行搭建的，具体代码如图所示： 其中包括输入层（32*32的图像，3通道），两个卷积层，1个池化层，重复一次，展平经过全连接层，最后输出层，除了输出层的激活函数是softmax，其他的都是relu。 模型训练，将处理后数据经过模型训练 模型预测，将处理后的测试集数据经过模型进行预测，分别输出模型对于测试集的召回率，精确率和F1测度。 根据预测结果和实际结果构建混淆矩阵

Bytes_SVM_决策树实现代码.zip

Step 1：根据目录分别把图像信息进行读取。 Step2：处理图像数据，先进行尺度变换到256*256，然后进行灰度化处理，再把灰度化处理后的数据进行归一化，把数据保存到矩阵X中；对读取的文件的名字进行处理，截取数字进行除100取商进行标签处理，把得到的标签保存到矩阵Y中。 Step3：根据原数据集的信息分别对0-9进行命名。 Step4：把处理后的数据X，Y按照Y中的比例进行分割处理，其中测试集为20%，训练集为80%。 Step5：建立模型（bytes、决策树、SVM） Step6：把训练集带入模型进行训练。 Step7：把测试集带入训练好的模型进行预测，输出模型对测试集的准确率，召回率和F1测度。