cnn卷积神经网络

手写数字识别BP、CNN神经网络，可运行，含有图片、数据、MATLAB源代码。

  深度神经网络（DNN）在各种任务中取得了前所未有的成功，但是，这些模型性能直接取决于它们的超参数的设置。在实践中，优化超参数仍是设计深度神经网络的一大障碍。在这项工作中，我们建议使用粒子群优化算法（PSO）来选择和优化模型参数。在MNIST数据集上的实验结果显示：通过PSO优化的CNN模型可以得到不错的分类精度，此外，PSO 还可以提高现有模型结构的性能，PSO是自动化超参数选择和有效利用计算资源的有效技术。 针 对CＮＮ 算法的收敛速度较慢、过 拟合 等问题, 文章提出一种基于PSO和 CNN 模型的图像分类方法，在分析完CNN各超参数对其性能的影响后，引入 PSO 算法进行寻优以增强CNN网络模型的特征提取能力,模型将CNN算法中需要训练的参数作为粒子进行优化，将 更 新 的 参 数 用 于ＣＮＮ 算 法 的 前 向 传播，调整网络连接权矩阵迭代，直到误差收敛，停止算法，以达到最终的模型优化。

使用MNIST数据集训练，对手写数字识别率达99.04％。网络架构、训练过程可视化

《机器学习与数据挖掘》——期中考查作业问题:探索神经络在图像分类任务上的应。在给定数据集 CIFAR-10 的训练集上训练模型，并在测试集上验证其性能。

cnn卷积神经网络

Modified CNN-LSTM for Pain Facial Expressions Recognition10 PUBLICATIONS 4 CITAT

杰森 Jetson 是一个自动驾驶玩具车项目。 它包含在 PyTorch 中构建的端到端 CNN 视觉系统。 检查相应的文章： 能力 路径跟随 停止中 十字路口左转 十字路口右转 硬件 任何具有可控油门（经度）和转向（横向）的遥控汽车底盘都应该兼容。 有很多选项可以开始。 我建议查看、或本项目中使用的。 传感器 具有 200° FOV 的前置广角摄像头 脑 NVIDIA Jetson Nano 软件 先决条件 喷气卡 喷气机 喷气式飞机 火炬2trt *使用 waveshare 的工具包时，您可能需要使用上述存储库的 waveshare 分支，请参阅链接 1. 数据收集 笔记本此阶段的主要目标是收集反映正确驾驶的数据，即具有正确注释的转向和油门值的图像。 在使用游戏手柄驾驶时，您可以记录相机帧以及相应的转向和油门值。 示例数据可能如下所示： [0.1, 0.5]

【MATLAB项目实战】基于CNN_SVM的图像花卉识别 里面包括单CNN、单SVM 、CNN_SVM三个程序 其中CNN_SVM里可以更改不同的CNN架构 AlexNet VGG16 VGG19 ResNet50

tensorflow2.3-keras使用卷积神经网络CNN实现cifar10图像分类源码+数据集+注释+模型加载保存