该文件是基于脑部肿瘤分割的3DCNN网络，包含了数据处理，网络结构，训练和测试完整的代码。其中还有对基础代码的改进版。

介绍 这是陆军研究实验室（ARL）EEGModels项目：用Keras和Tensorflow编写的用于EEG信号处理和分类的卷积神经网络（CNN）模型的集合。 该项目的目的是 提供一组经过验证的CNN模型用于脑电信号处理和分类 促进可重复的研究，并 使其他研究人员可以在其数据上尽可能轻松地使用和比较这些模型 要求 Python == 3.7或3.8 tensorflow == 2.X（已验证适用于2.0-2.3，适用于CPU和GPU） 要运行EEG / MEG ERP分类示例脚本，您还需要 mne> = 0.17.1 派里曼> = 0.2.5 scikit学习> = 0.20.1 m

1、掌握卷积神经网络CNN的基本原理 2、利用CNN实现手写数字识别 参考博客：https://mp.csdn.net/editor/html/115114216

用MATLAB实现卷积神经网络，并对图像进行特征提取 文件列表： CNN CNN\cnnapplygrads.m CNN\cnnbp.m CNN\cnnff.m CNN\cnnnumgradcheck.m CNN\cnnsetup.m CNN\cnntest.m CNN\cnntrain.m CNN\expand.m CNN\flipall.m CNN\mnist_uint8.mat CNN\sigm.m CNN\test_example_CNN.m

该项目是Matlab官网的项目（https://www.mathworks.com/help/deeplearning/ug/modulation-classification-with-deep-learning.html#ModulationClassificationWithDeepLearningExample-8）课程视频观看在B站视频（https://www.bilibili.com/video/BV1Xz411i7DU?from=search&seid=2778706） 源码下载（https://www.ilovematlab.cn/thread-590318-1-1.html）

STM32Cube功能包FP-AI-VISION1包含几个完整的计算机视觉应用代码示例，这些例程在STM32H747上运行卷积神经网络(CNN)，并且可以在STM32全系列产品上轻松移植。该固件提出了几个应用示例，开发人员可以用所选数据集重新训练神经网络，为解决各种用例问题提供更大的自由空间和灵活度。

面膜检测器 使用卷积神经网络（CNN）的面罩检测器 所用技术 打开简历 凯拉斯 Python 屏幕截图

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

本文来自简书，本文主要介绍了一个完整的卷积神经网络(CNN)，卷积的滤波器（Filter）是如何工作的呢？请参见下文。上篇文章简单地地介绍了神经网络和深度学习，在神经网络中，每一层的每个神经元都与下一层的每个神经元相连(如下图)，这种连接关系叫全连接（FullConnected）。如果以图像识别为例，输入就是是每个像素点，那么每一个像素点两两之间的关系(无论相隔多远)，都被下一层的神经元"计算"了。这种全连接的方法用在图像识别上面就显得太"笨"了，因为图像识别首先得找到图片中各个部分的"边缘"和"轮廓"，而"边缘"和"轮廓"只与相邻近的像素们有关。这个时候卷积神经网络(CNN)就派上用场了，卷

通过卷积神经网络（CNN）进行的EEG运动图像信号（任务）分类 作者：贾树跃，东北电力大学。 日期：2018年12月 下载论文 注意：本文中的方法是EEG源成像（ESI）+ Morlet小波联合时频分析（JTFA）+卷积神经网络（CNN）。 原始数据已使用Matlab Toolkit 。 我的工作是在ESI + JTFA过程之后，使用CNN对EEG数据进行分类。 通过ESI + JTFA流程预处理的数据集（.mat文件）可以通过。 可以从下载相应的预处理.Excel文件。 同时，该存储库中的代码基于原始EEG数据，无需ESI和JTFA流程，也可以取得良好的效果。 两个工作的“ MI_Pro