介绍卷积神经网络基本原理及典型的卷积神经网络模型，可供感兴趣的本科生及研究生学习，特别适合交流汇报

卷积神经网络用到的数据集图片、训练好的权重等参数文件

深度学习 该文件夹包含我的各种AI和机器学习项目的深度学习模型。 长短期记忆（LSTM）卷积神经网络（CNN）ResNet50

3D_CT_分类 此示例将显示构建3D卷积神经网络（CNN）以预测计算机断层扫描（CT）扫描中病毒性肺炎的存在所需的步骤。 2D CNN通常用于处理RGB图像（3通道）。 3D CNN只是3D等效项：它以3D体积或2D帧序列（例如CT扫描中的切片）为输入，因此3D CNN是学习体积数据表示的强大模型。

这是一个相对简单但又十分吸引人的机器学习项目。 在 Python 中使用卷积神经网络构造模型，可以识别手势并将其转换为机器上的文本。 该项目存储库的作者用 Tensorflow 和 Keras 共同搭建了 CNN 模型，他特别详细地说明了他是怎么创建这个项目的，以及每一步是怎么进行的。

CNN :Convolutional Neural Networks (卷积神经网络 ) 环境准备 Python版本：Python 3.6.8 PyTorch版本：PyTorch1.1.0 RDKit版本：RDKit 2020.03.1 基于卷积神经网络（CNN）预测分子特性 导入库 from rdkit import Chem from rdkit.Chem.Crippen import MolLogP import numpy as np import torch import time 载入数据 maxlen = 64 with open('smiles.txt') as f:

对应博客详解 https://blog.csdn.net/huqinweI987/article/details/87884341

3D U-Net卷积神经网络 背景 我们设计3DUnetCNN使其易于应用和控制各种深度学习模型对医学成像数据的训练和应用。 上面的链接提供了有关如何将本项目与来自MICCAI各种挑战的数据一起使用的示例/教程。 依存关系 火炬 Nilearn 大熊猫 凯拉斯 有问题吗？ 加入或给我发电子邮件 。 引文 Ellis DG，Aizenberg MR（2021年），尝试使用开源深度学习框架对胶质瘤进行分割的U-Net培训修改。 在：Crimi A.，Bakas S.（eds）脑损伤：脑胶质瘤，多发性硬化症，中风和脑外伤。 《 BrainLes 2020》。计算机科学讲座，第12659卷。ChamSpringer。 https://doi.org/10.1007/978-3-030-72087-2_4 其他引用 Ellis DG，Aizenberg MR（2020）使用通过注册增强的深度

模型结构 • 大多沿用基础的CNN模型结构，包括1层卷积和1层池化 • 输入数据的不同通道采用不同的词向量表示 • 卷积核的宽度与输入词向量的维度相同 超参数 • 调参的作用有时大于模型本身 • 词向量、卷积核大小、池化策略、激活函数的选择都很重要 应用领域 • 各种分类任务:文本分析、情感分析、实体关系抽取等等 • 用于其它任务的特征提取，与其它网络模型相结合

【图像识别】基于卷积神经网络CNN实现车牌识别matlab源码.md