卷积神经网络实现图像识别项目简介项目效果展示程序运行流程图代码使用说明数据集准备训练集测试集搭建神经网络训练函数测试函数模型-训练过程完整代码模型保存使用的是torch.save(model，src),model即须保存的模型，src即模型保存的位置，后缀为pth模型-调用完整代码模型调用使用，torch.load(src)注项目简介目的：实现昆虫的图像分类，同时该模型也可以用于其他图像的分类识别，只需传入相应的训练集进行训练，保存为另一个模型即可，进行调用使用。配置环境：pycharm（python3.7），导入pytotch库知识预备：需要了解卷积神经网络的基本原理与结构，熟悉pytorc
Alexnet网络详解代码：手撕Alexnet卷积神经网络-pytorch-详细注释版（可以直接替换自己数据集）-直接放置自己的数据集就能直接跑。跑的代码有问题的可以在评论区指出，看到了会回复。训练代码和预测代码均有。_小馨馨的小翟的博客-CSDN博客_alexnet神经网络代码VGG网络详解代码：
Alexnet网络详解代码：手撕Alexnet卷积神经网络-pytorch-详细注释版（可以直接替换自己数据集）-直接放置自己的数据集就能直接跑。跑的代码有问题的可以在评论区指出，看到了会回复。训练代码和预测代码均有。_小馨馨的小翟的博客-CSDN博客_alexnet神经网络代码VGG网络详解代码：
神经网络是所有AI算法的核心，如今，深度神经网络用于从图像识别和对象检测到自然语言处理和生成的各种任务。在剖析了构成神经网络的基本构建块及其工作原理之后，本问将深入研究神经架构类型及其各自的用途、神经网络芯片和模型优化技术。介绍 计算单元（也称为神经元）的大规模互连包括一个神经网络，它是所有人工智能(AI)算法的核心和灵魂。大约80年前的1943年，伊利诺伊大学芝加哥分校的神经生理学家WarrenMcCullough和数学家WalterPitts首次提出了神经网络。经过一系列演变，深度神经网络(DNN)——通常是具有两个以上隐藏层的网络——现在被用于图像识别、图像分类、对象检测、语音识别
神经网络是所有AI算法的核心，如今，深度神经网络用于从图像识别和对象检测到自然语言处理和生成的各种任务。在剖析了构成神经网络的基本构建块及其工作原理之后，本问将深入研究神经架构类型及其各自的用途、神经网络芯片和模型优化技术。介绍 计算单元（也称为神经元）的大规模互连包括一个神经网络，它是所有人工智能(AI)算法的核心和灵魂。大约80年前的1943年，伊利诺伊大学芝加哥分校的神经生理学家WarrenMcCullough和数学家WalterPitts首次提出了神经网络。经过一系列演变，深度神经网络(DNN)——通常是具有两个以上隐藏层的网络——现在被用于图像识别、图像分类、对象检测、语音识别
参数介绍torch.nn.Conv1d(in_channels,out_channels,kernel_size,stride,padding,padding_modedilation,groups,bias,)in_channels:(int)输入数据的通道数，即对某条训练数据来说由多少组向量表示。例如对于由一维向量表示的一条数据来说，通道数为1；对于文本数据来说，一个句子是由m个单词组成，那么通道数就可以是mout_channels:(int)卷积产生的通道数，可以理解为卷积核的个数kernel_size:(intortuple)卷积核的大小，若参数为元组，元组中应只有一个元素stride
参数介绍torch.nn.Conv1d(in_channels,out_channels,kernel_size,stride,padding,padding_modedilation,groups,bias,)in_channels:(int)输入数据的通道数，即对某条训练数据来说由多少组向量表示。例如对于由一维向量表示的一条数据来说，通道数为1；对于文本数据来说，一个句子是由m个单词组成，那么通道数就可以是mout_channels:(int)卷积产生的通道数，可以理解为卷积核的个数kernel_size:(intortuple)卷积核的大小，若参数为元组，元组中应只有一个元素stride
参考文献Animprovedvirtualsynchronousgeneratorpowercontrolstrategy Deepreinforcementlearningbasedparameterself-tuningcontrol基于改进型RBF神经网络的VSG转动惯量自适应控制_杨旭红 基于RBF的VSG转动惯量和阻尼系数自适应控制策略_高子轩基于虚拟同步发电机的逆变器并网稳定性研究_姚凤军基于S函数的BP神经网络P...制器及Simulink仿真_杨艺基于BP神经网络PID控制+Simulink仿真前言想做一个把虚拟同步发动机中转动惯量J自适应调节的仿真，于是参考了姚凤君硕士的论文
参考文献Animprovedvirtualsynchronousgeneratorpowercontrolstrategy Deepreinforcementlearningbasedparameterself-tuningcontrol基于改进型RBF神经网络的VSG转动惯量自适应控制_杨旭红 基于RBF的VSG转动惯量和阻尼系数自适应控制策略_高子轩基于虚拟同步发电机的逆变器并网稳定性研究_姚凤军基于S函数的BP神经网络P...制器及Simulink仿真_杨艺基于BP神经网络PID控制+Simulink仿真前言想做一个把虚拟同步发动机中转动惯量J自适应调节的仿真，于是参考了姚凤君硕士的论文
文章目录一、图神经网络应用领域1.1芯片设计1.2场景分析与问题推理1.3推荐系统1.4欺诈检测与风控相关1.5知识图谱1.6道路交通的流量预测1.7自动驾驶（无人机等场景）1.8化学，医疗等场景1.9物理模型相关二、图神经网络基本知识2.1图基本模块定义2.2图神经网络要做的事情2.3邻接矩阵的定义2.3.1图数据的邻接矩阵2.3.2文本数据的邻接矩阵2.4GNN中的常见任务2.4.1Graph级别任务2.4.2Node与Edge级别任务2.5消息传递计算方法2.5.1优化邻接矩阵2.5.2点的特征重构2.6多层GNN的作用GNN输出特征的用处三、GCN详解3.1GCN基本模型概述3.1.1
