采用Text_CNN进行文本分类

深度学习入门书籍；本书?个坚定的信念，是让读者更好地去深刻理解神经?络和深度学习，而不是像?张冗?的洗?单?样模糊地列出?堆想法。如果你很好理解了核?理念，你就可以很快地理解其他新的推论。(Introductory Books for Deep Learning)

对提取好的n维特征，实现随机森林分类器分类。(For the extraction of good characteristics, the realization of random forest classification)

说明：  Godunov格式和Roe格式求解Burgers方程(Godunov scheme and Roe scheme for solving Burgers equation)

说明：  一个普通的小游戏，没有什么功能，就一个小小的游戏(An ordinary little game, no function, just a garbage game.)

说明：  基于ABAQUS平台编写的二维随机分布圆形颗粒建模脚本，可实现二维随机分布圆形颗粒模型的自动建模。(Two - dimensional random distribution of circular particles modeling script can be realized.)

说明：  卷积神经网络分类 调制信号识别 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 [1-2] 。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）” [3] 。 对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络 [4] ；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域 [2] 。 卷积神经网络仿造生物的视知觉（visual perception）机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-like topology）特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程（feature engineering）要求 [1-2] 。(Convolutional neural network classification modulation signal recognition)

说明：  使用python语言和pytorch框架简单的复现FCN模型(Simple replication of FCN model using Python language and python framework)

说明：  这个程序可以用于两个图像的拼接，通过寻找特征点完成拼接(This program can be used to stitch two images and complete the stitching by finding feature points.)

说明：  西科大Python实验第五次实验的四个项目，是大三上学期课程的项目(Python fifth project)

说明：  基于树莓派B+版本的车牌识别设计，辨识部分以树莓派3B+/3B为核心处理器，基于Linux平台，通过python3.5和OpenCV来对含有车牌信息的图片，进行高斯去噪、灰度化、边缘检测、二值化、闭操作、字符分割、字符识别匹配等一系列图像处理操作最终实现车牌识别这个系统。(Based on the design of license plate recognition of raspberry pie B+version, the recognition part takes raspberry pie 3B+/3B as the core processor, and based on Linux platform, uses Python 3.5 and OpenCV to process the image containing license plate information, and carries out a series of image processing operations such as Gaussian denoising, graying, edge detection, binarization, closed operation, character segmentation, character recognition matching, etc. Finally, the system of license plate recognition is realized)