AI小项目

GIHUB地址

1、基于单隐层神经网络的二维数据分类

Planar-data-classification-with-one-hidden-layer

作用：分类算法进行（标签）蓝色和红色点、二维特征数据的二分类

模型：单层神经网络

策略：对数损失函数

算法：梯度下降法

备注：无正则化，可能有过拟合

2、基于L层简单神经网络的猫图识别

Recognite-Cat-with-L-Layers-NN

作用：神经网络分类算法进行图像识别猫咪

模型：L层神经网络

策略：对数损失函数

算法：梯度下降法

备注：无正则化，可能有过拟合；系统识别猫的效果不太好，区别不了猫和其他图片

3、基于Nelearn(TensorFlow)2层神经网络的手势识别

Gesture0to5-recognition-based-on-Nelearn-and-tensorflow

作用：双隐藏层神经网络识别手势。

模型：双隐藏层神经网络

策略：对数损失函数

算法：Adam

备注：你也可以改成datasets中的其他数据集，去识别其他的物体。

Train Accuracy: 1.0

Test Accuracy: 0.791667

4、基于Keras卷积神经网络的笑脸识别

HappyFace-Recognition-Keras

作用：卷积神经网络识别笑脸。

模型：卷积神经网络

策略：交叉熵损失函数-1/n(ylog(a)-(1-y)log(a))

算法：Adam

备注：训练集不够大，当对自己的照片进行识别时，效果不佳。

Train loss = 0.0120

Train accuracy = 0.9983

Test loss = 0.102046815952

Test accuracy = 0.980000003974

5、基于Keras残差网络的手势识别

Gesture0to5-recognition-based-on-Keras

作用：残差神经网络识别手势。

模型：残差神经网络

CONV2D -> BATCHNORM -> RELU -> MAXPOOL -> CONVBLOCK -> IDBLOCK2 -> CONVBLOCK -> IDBLOCK3 -> CONVBLOCK -> IDBLOCK5 -> CONVBLOCK -> IDBLOCK2 -> AVGPOOL -> TOPLAYER

其中 ，CONVBLOCK=convolutionblock在小路上有1×1卷积，所以可以实现输出和输出维度不同；IDBLOCK=identityblock在小路上是直达，没有1*1卷积，所以输出和输入维度必须相同。

策略：多分类的对数损失函数

算法：Adam

备注：需要较长的训练时间

Train loss = 0.0963

Train accuracy = 0.9741

Test loss = 0.609584419926

Test accuracy = 0.86666667064