Tensorflow实现一个简单的CNN，含3层卷积池化层，2层全连接层，激活函数ReLU，采用dropout和softmax函数做分类器

data_progress.py用于对数据集进行分类 datasort.py用于对数据集图片进行重命名 train_cnn.py用于训练cnn网络 model_test.py用于用测试集图片对cnn模型进行预测，并观察准确率 design.py用于测试界面 results文件夹有cnn网络训练好的h5文件，以及网络训练过程文档和训练过程准确率变换图像

用于cnn图像分类的数据集，内含54000张图片，38种植物病害类型，本人使用resnet152训练30轮准确率已达99.6%，还有提高空间。

在本文中，我们提出了一种多尺度卷积神经网络TSception，用于从脑电图（EEG）中学习时域特征和空间不对称性。TSception由动态时间层、非对称空间层和高层融合层组成，这些层同时学习时间和通道维度上的区别表示。动态时间层由多尺度一维卷积核组成，其长度与脑电信号的采样率有关，学习脑电的动态时间和频率表示。非对称空间层利用情绪反应背后的非对称神经激活，学习辨别性的全局和半球表征。学习到的空间表示将通过高级融合层进行融合。使用更广义的交叉验证设置，在两个公开可用的数据集DEAP和MAHNOB-HCI上对所提出的方法进行了评估。该网络的性能与之前报道的方法进行了比较，如SVM、KNN、FBFgMDM、FBTSC、无监督学习、DeepConvNet、ShallowConvNet和EEGNet。在大多数实验中，与比较的方法相比，我们的方法获得了更高的分类精度和F1分数。

基于pytorch深度学习框架的AlexNet卷积神经网络，主要用于图像图像分类任务。可以作为demo示例自行学习

DCGAN-plus-cnn分类器 使用DCGAN进行数据扩充，使用cnn分类器进行分类

基于深度学习的植物病害识别 这个基于django的Web应用程序使用经过训练的卷积神经网络来识别植物叶片上存在的疾病。 它由38种不同的健康和病态植物叶子组成。 38个类是： 苹果->苹果结ab 苹果->黑腐 苹果->雪松苹果锈 苹果->健康 蓝莓->健康 樱桃->白粉病 樱桃->健康 玉米-> Cercospora叶斑（灰色叶斑） 玉米->普通锈 玉米->北方叶枯病 玉米->健康 葡萄->黑腐 葡萄->埃斯卡（黑麻疹） 葡萄->叶枯病（Isariopsis Leaf Spot） 葡萄->健康 橙色->上龙冰（柑橘绿化） 桃->细菌斑 桃子->健康 胡椒，铃铛->细菌斑 胡椒，铃铛->健康 马铃薯->早疫病 马铃薯->晚疫病 土豆->健康 覆盆子->健康 大豆->健康 壁球->白粉病 草莓->叶焦 草莓->健康 番茄->细菌斑 番茄->早疫病 番茄->晚疫病 番茄->叶霉 番茄

图片CNN分类模板，换图片和文件夹名　直接使用 详情：https://maoli.blog.csdn.net/article/details/122266896

cnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPT

基于卷积神经网络的链接表示及预测方法