基于一个公开数据集和2008年BCI竞赛数据集，提供一个CNN-PSD运动想象二分类demo，详见https://www.xxy.ink/learn/bci/3.html。包含脑电PSD特征提取，运动想象卷积神经网络分类等。

主要为大家详细介绍了pytorch实现CNN卷积神经网络，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

cnn卷积神经网络的八篇最经典论文 AlexNet：NIPS-2012-imagenet-classification-with-deep-convolutional-neural-networks-Paper VGG：Very-Deep-Convolutional-Networks-for-Large-Scale-Image-Recognition NIN：network-in-network ResNet：Deep-Residual-Learning-for-Image-Recognition InceptionV1-V4 MobileNet：Efficient-ConVolutinal-Neural-Networks-for-Mobile-Vision NASNet：Learning-Transferable Architectures-for-Scalable-Image-Recognition ShakeShake：Shake-Shake-regularization

matlab卷积神经网络cnn代码，参考文档和代码快速理解卷积网络，可以查看参数的具体变化，设计网络的层级结构和卷积核数量大小等，参见对字母识别理解http://blog.csdn.net/dingyahui123/article/details/77506306

使用Tensorflow的CNN 3D图像 目标：使用CNN（卷积神经网络）进行MRI分类任务 代码依赖关系：Tensorflow 1.0，Anaconda 4.3.8，Python 2.7 从3D医学图像学习模型的困难 数据大小太大。 例如218x182x218或256x256x40 数据数量有限。 换句话说，训练规模太小。 所有图像看起来都非常相似，并且主体之间只有细微的差别。 可能的解决方案 配备好的机器，尤其是RAM 在预处理中对图像进行下采样 数据扩充，例如旋转，移位，组合 转移学习

卷积神经网络cnn免费可视化程序

CNN卷积神经网络Matlab实现例程，使用了matlabR2019a自带的深度学习工具箱,一维数据分类，二维cnn

CNN卷积神经网络，包含数据，代码有标注，可以用来参考学习

MNIST手写数据集的训练和测试代码，代码准确率高于98%，代码完善，下载即可使用，利用TensorFlow编译环境，适合新手自学。MNIST数据集是个通用数据集，很多新手都会用到。

这是我修改的别人的代码，别人的代码有点问题，我修改了一下，代码的正确率很高，可达90%以上，这是一个5层卷积神经网络的代码，误差传递和梯度更新代码里都有，可自学。