登录社区云，与社区用户共同成长
邀请您加入社区
本项目提出了一种基于麻雀搜索算法(SSA)优化的卷积神经网络(CNN)结合格拉姆角场(GAF)和最小二乘支持向量机(LSSVM)的混合故障诊断模型。该模型通过GAF将一维时序信号转换为二维图像，利用CNN提取深度特征，再由LSSVM进行分类预测，并通过SSA算法自动优化模型参数。实验结果表明，该混合模型在机械设备故障诊断任务中表现出较高的准确率和鲁棒性。项目构建了完整的MATLAB实现框架，包括数
短短十年，AI的进化仿佛按下快进键——从AlexNet在ImageNet石破天惊的一战，到ChatGPT以‘万亿参数’掀起对话革命；从卷积网络笨拙地识别手写数字，到多模态大模型从容解读世界。算力狂飙下，代码有了‘想象力’，数据炼成了‘通才’，曾经科幻的边界被一寸寸烧穿。我们站在算力与算法的风暴眼，目睹智能的边界以月为单位崩塌重建；在感叹技术革新的同时，偶尔也在思考之前的经典-CNN在当前任务中的作
摘要：本项目提出一种基于GXO淘金优化算法优化的CNN-BiLSTM-Attention混合模型，用于多变量时间序列预测。通过模拟金矿开采过程设计全局优化算法，结合卷积神经网络提取局部特征、双向LSTM捕获长时依赖关系，并引入注意力机制聚焦关键信息。实验表明该方法在预测精度、计算效率和模型可解释性方面具有优势。系统采用模块化设计，包含数据预处理、模型训练、实时推理和可视化界面等功能模块，支持GPU
CNN是深度学习的里程碑式成果，专门针对图像处理优化。其核心架构包含卷积层（提取局部特征）、池化层（降维增强鲁棒性）和全连接层（输出预测）。相比全连接网络，CNN通过局部连接和权值共享显著减少参数量（降90%+），提升训练效率（快5-10倍）和准确率（提升30%+）。主要应用包括图像分类、目标检测和分割。CNN还衍生出膨胀卷积、空间/深度可分离卷积等变体，在保持精度的同时进一步优化计算效率。其出色
本文档详细介绍了使用 PyTorch 框架搭建一个简单的手写数字识别系统的全过程。从环境准备到模型训练与测试，每一步都包含详细的代码示例和操作指南。该系统利用卷积神经网络（CNN）处理 MNIST 数据集，旨在为初学者提供一个易于理解且可操作的项目案例。
2012年，AlexNet横空出世。它首次证明了学习到的特征可以超越手工设计的特征。它一举打破了计算机视觉研究的现状。AlexNet使用了8层卷积神经网络，并以很大的优势赢得了2012年ImageNet图像识别挑战赛。AlexNet和LeNet的架构非常相似。注意，在这里提供的是一个稍微精简版本的AlexNet，去除了当年需要两个小型GPU同时运算的设计特点。
混泥土裂缝网上数据集有很多，作者自己收集了一些，大家如果有意愿，麻烦在下方留言。1、SDNET2018数据集（数据集来源：SDNET2018）主要是用来分类论文：SDNET2018: An annotated image dataset for non-contact concrete crack detection using deep convolutional neural networks
最近机器学习在低年级本科生中热度剧增，小编经常看见在自习室里啃书的小伙伴。但是缺少经验指导，也许原理清楚了，但是由于很多书中对细节上的函数等等介绍不多，很多小伙伴对于具体代码只是一知半解。这篇文章基于当下最热门的学习框架 Pytorch，详细讲解图像分类中最基础的图像分类 —— MNIST 数据集分类。
CNN NotebookKenn 2018/11/1最近在学CNN，大学的同学给我推了一个视频，感觉写得简单易懂，所以记了篇笔记。笔记差不多到视频17分钟左右，但基本把CNN的原理、结构都讲了一遍，而且个人感觉很好理解。笔记用很low的英文写的（也是为了四六级？）。我在本篇blog中加入了一些代码，帮助理解。如果我的理解有差错，请大家指出，谢谢。同时我还有超多不理解的地...
