本项目的所有代码均已在Python3.6及Pycharm平台调试通过，除了代码外，还提供《卷积神经网络(CNN)详解与代码实现》文档和《Notes on Convolutional Neural Networks》文档，其中：《卷积神经网络(CNN)详解与代码实现》主要从卷积神经网络结构、代码实现流程图以及介绍、代码实现、注意事项、运行结果以及分析、Softmax函数详解与推导、BP算法、CNN的反向求导等方面重点描述，十分详细；代码也增加不少的注释，有助于大家了解；《Notes on Convolutional Neural Networks》是麻省理工Jake Bouvrie写的非常详细。

图像边缘检测 Matlab程序

综述

环境描述     操作系统：windows10     开发语言：python3.7.6     深度学习后端：tensorflow2.1.0     深度学习前端：keras（ts内嵌的keras）     显卡：GTX1050TI（安装cuda）     一、准备数据     从百度或谷歌上搜火、火焰、火灾等图片，建立两个文件夹（因为是二分类问题，有火or无火）fire和nofire。效果如下：     截图的文件夹分为conv和不带conv的文件夹，其实是火和无火的图片是经过多次添加的，因为训练数据的过程中会发现某些图片识别效果不是很好，所以得在训练样本中增加特定的图片（比如初次训练的

卷积神经网络用于手写数字识别，C++代码实现，使用cpu多线程

卷积神经网络CNN进行图像分类

基于深度学习的图像识别，介绍了目前行业最新的深度学习算法，R-CNN等，分析的很全面

MATLAB深度学习工具箱中卷积神经神经网络程序的中文注释，帮助理解CNN

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