分类

分类网络LeNet + FashionMNIST 准确率92.9%只知道LeNet是很古老的神经网络，但是究竟啥效果也没尝试过，所以特别做了这个小实验来了解它。原始的LeNet5是2+3的结构，即两个卷积+池化串行构成feature extractor，然后三个全连接构成分类模块。

从 “人工标注” 到 “AI 驱动”：数据分类分级技术的效率革命在数据安全与合规治理常态化的今天，数据分类分级已成为企业筑牢数据安全防线的 “第一道关口”。传统人工标注模式下，企业需投入大量人力梳理海量数据，不仅耗时耗力、成本高昂，还存在标注标准不统一、遗漏率高、难以适配动态业务场景等痛点。随着 AI 技术与数据治理的深度融合，AI 驱动的智能数据分类分级技术正掀起一场效率革命，实现从 “人治” 到 “智治” 的跨越，为企业数据安全治理注入全新动能。

ResNet18 迁移学习实战：CIFAR-10 图像分类与 CPU 优化深度学习的发展历程中，网络深度一直是提升模型性能的关键因素。然而，传统深层网络面临着梯度消失 / 爆炸和退化问题，限制了网络深度的进一步增加。2016 年，何恺明团队提出的ResNet（残差网络）通过引入残差连接，成功解决了深层网络的训练难题，在 ImageNet 比赛中取得了突破性成果。

CNN和RNN结合提升分类效果首先利用3D CNN 对MRI进行分类操作数据:AD:73例 CN:102例 MRI-T1像 T1像便于显示解剖结构(T2像擅长显示病灶) 预处理:去除脑外(参数0.3) 网络结构: 共10层,包含 4个卷积层 4个池化层 2个全连接层

A2L变量的分类A2L 变量类型是基于ASAM MCD-2MC（ASAP2）标准定义的，Vector 官方将其分为 ** 标定量（可修改）、观察量（仅读取）、辅助对象（支撑类）** 三大类，具体类型及说明如下：

飞桨平台实战：从零训练中文文本分类模型，附完整开发流程笔记所对应活动链接：https://activity.csdn.net/writing?id=11047&spm=1011.2124.3001.10637

维构lbs智能定位

室内定位无线技术的分类和原理全解析（一）hello~这里是lbs智能定位，如果有项目需求和技术交流欢迎来私信我们~点击文章最下方可获取室内定位解决方案。

鸿蒙 Flutter 图像识别进阶：物体分类与花卉识别（含离线模型）在移动应用开发中，图像识别技术已广泛应用于智能相册、植物识别、工业质检等场景。鸿蒙（HarmonyOS）作为分布式操作系统，凭借其跨设备协同能力，为图像识别应用提供了更广阔的落地空间；而 Flutter 则以跨平台一致性 UI、高效开发效率成为移动应用开发的热门框架。本文将聚焦鸿蒙 + Flutter 混合开发模式，深入讲解如何实现物体分类与花卉识别功能，并重点介绍离线模型的集成与优化，帮助开发者快速构建高性能、可离线运行的图像识别应用。

＜忆昔数星＞文/阿赞坤娜<吴娱>往昔星汉满长空，清辉万里覆西东。稚子相邀田垄上，并肩细数夜玲珑。一颗两颗三四颗，笑指银河流转匆。

交叉熵损失函数：深度学习分类任务的基石在深度学习和机器学习中，损失函数是模型训练的指南针，它告诉模型当前预测与真实目标之间的差距有多大，指导模型如何调整参数以减少这个差距。

AlexNet 迁移学习实战：CIFAR-10 图像分类实验2012 年，AlexNet 在 ImageNet 图像分类比赛中以显著优势夺冠，开启了深度学习在计算机视觉领域的黄金时代。AlexNet 通过更深的网络结构、ReLU 激活函数、Dropout 正则化等创新，大幅提升了图像分类精度，成为卷积神经网络（CNN）发展史上的里程碑。

VGG16 迁移学习实战：CIFAR-10 图像分类优化方案VGGNet 是 2014 年 ILSVRC 比赛的亚军模型，以其简洁的设计理念（小卷积核 + 深度堆叠）和强大的特征提取能力，成为深度学习领域的经典模型。本文基于 PyTorch 框架，结合迁移学习和多项优化策略，使用 VGG16 模型对 CIFAR-10 数据集进行分类，在保证训练效率的同时，实现了较高的分类准确率。

吃完香皂不吐泡

【深度学习实战/计算机视觉实战】PyTorch框架下基于ResNet的102种花卉图像分类模型PS：以下代码在 VS Code 的 Jupyter Notebook 中运行，环境为 torch2.5.1 + Python 3.9 + CUDA 11.8。请按顺序依次执行即可。文件夹结构如下：

深度学习模型全分类图谱核心特点：信号单向流动，无循环连接，是所有深度网络的基础。1.1 多层感知机 (MLP, Multilayer Perceptron)

算法与编程之美

探索不同的损失函数和batch_size对分类精度的影响1 问题探索不同的损失函数对分类精度的影响。探索不同的batch_size对分类精度的影响。2 方法问题1：探索不同的损失函数对分类精度的影响

PyTorch 实现 BP 神经网络：从函数拟合到分类任务反向传播（Back Propagation，BP）神经网络是深度学习的基础，通过前向传播计算输出，反向传播更新权重，能够有效学习非线性映射关系。本文将通过两个经典实验，详细介绍如何使用 PyTorch 实现 BP 神经网络：一维函数拟合和鸢尾花分类，涵盖数据准备、网络构建、模型训练、结果可视化等完整流程。

直方图与模板匹配import cv2 #opencv读取的格式是BGR import numpy as np import matplotlib.pyplot as plt#Matplotlib是RGB %matplotlib inline

基于极限学习机（ELM）的数据分类：原理、实现与优化极限学习机（Extreme Learning Machine, ELM）是一种单隐层前馈神经网络（SLFN），由黄广斌教授于2006年提出。其核心思想是随机初始化输入层与隐含层的权重和偏置，无需迭代调整，通过最小二乘法（Moore-Penrose广义逆）直接求解输出层权重，从而实现快速训练和高泛化能力。

Softmax回归：原理、实现与多分类问题的基石本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！

初九之潜龙勿用

基于openEuler操作系统上的AI图像分类应用开发实操与测试随着人工智能技术的飞速发展和应用普及，底层操作系统作为承载AI应用的关键基础设施，其重要性日益凸显。openEuler作为一款开源、稳定、安全的服务器操作系统，在支持多样性计算、提供原生AI能力方面展现出巨大潜力。本报告旨在深入探究在 openEuler 操作系统上构建、训练和部署一个完整AI图像分类应用的具体流程与可行性。报告以一个实际的图像分类任务（CIFAR-10数据集）为例，详细阐述了从服务器环境配置、AI开发环境容器化部署，到模型代码编写、训练、验证及推理的全过程。研究实践表明，openEule