卷积神经网络实现手写数字识别，包含手写数字二进制文件，代码分模块，有详细注释

spec-img-finesse 在他们的工作Makantasis等。 （2015年）表明，使用CNN，高光谱图像可以成功分类。 CNN可以对像素的光谱和空间特征进行编码。 特征的从低到高层次结构极大地提高了分类性能。 在我们的CNN实施中，我们使用层修剪和层压缩方法扩展和优化了它们的方法。 每个植物在电磁频谱上都有其独特的频谱“特征”，可以使用高光谱传感器捕获该特征。 将图像中的高光谱带作为特征，将每个像素作为样本，利用卷积神经网络（CNN）和支持向量机（SVM）对植物进行分类。 CNN优化有助于防止过拟合，加速推理并减少其在内存，电池和计算能力方面的资源。 Keras 2.1.5与Tensorflow 1.7.0结合使用。 使用了印度松树数据集。 使用支持多项式的SVM可以达到83.9％的测试精度，而使用CNN可以达到99.2％的测试精度。 可以在项目报告“使用高光谱图像进行植

Training Issues & CNN Development

多尺度领域对抗多实例学习CNN（CVPR2020） 抽象的 我们提出了一种从组织病理学图像中对癌症亚型进行分类的新方法，该方法可以在给定的完整幻灯片图像（WSI）中自动检测肿瘤特有的特征。应当通过参考WSI对癌症亚型进行分类，即WSI，即整个病理组织玻片的大尺寸图像（通常为40,000x40,000像素），该图像由癌症和非癌症部分组成。一种困难来自与注解WSI中的肿瘤区域相关的高昂成本。此外，必须通过更改图像的放大倍率从WSI中提取全局和局部图像特征。此外，应针对医院/标本之间的染色条件差异，稳定地检测图像特征。在本文中，我们通过有效地结合多实例，领域对抗和多尺度学习框架，开发了一种基于CNN的癌症亚型分类新方法，以克服这些实际困难。 本文档说明了如何在ref [1]中将源代码用于多尺度域对抗多实例倾斜（MS-DA-MIL）CNN。该算法针对数字病理图像的二进制分类问题，其中每个载玻片被分

CFD中的机器学习案例 该存储库包含出版的文章使用的代码。 安装 我们建议使用单独的虚拟环境。 要创建一个，运行 python3 -m venv < ENV> 通过运行输入 source < ENV> /bin/activate 要安装需求，请运行 cd flowfusic_cylinder_flow pip install -r requirements.txt 使用代码库 创建机器学习模型的三个主要步骤可以代替CFD管道的一部分。 在继续之前，请确保您位于存储库的主目录中。 生成几何 python make_geometry_dataset.py 生成样品流 训练卷积神经网络模型 python train.py

基于CNN的人脸识别考勤系统包含预训练模型可以直接运行

MATLAB CNN-SVM分类程序，含详细注释及数据， 以改进VGG网络为例，提取某一网络的某一层特征并用SVM完成分类。

python机器学习大作业用numoy构建原始CNN网络项目源码。在本项目中，通过numpy实现了一个CNN网络，包括其中的卷积层，池化层以及全连接层，通过公式推导、代码编写，加深了对于卷积、池化、反向传播等概念的理解。 采用现在主流的深度学习框架Pytorch实现识别，并与自己搭建的CNN训练结果进行比较。 采用相同的网络结构： self.conv1 = nn.Conv2d(in_channels=1, out_channels=8, kernel_size=3, padding=0, stride=1) self.maxpool = nn.MaxPool2d(kernel_size =2, stride=None, padding=0) self.fc1 = nn.Linear(13 * 13 * 8, 512) self.fc2 = nn.Linear(512, 10) 在3个epoch下测试结果： 相比与用numpy实现的CNN，其具有较高的稳定性，以及训练速度，因为PyTorch将输入转为张量形式，转入GPU中训练，同时用了SGD优化器，加快loss收敛速度。

matlab的程序cnn编写，对图片进行分类并预测，最后完成搜索功能， 输入图片路径给出所有同类的图片结果

OpenCV CNN模型预测性别与年龄 中编写程序需要加载的模型，先上传保存 gender_net.caffemodel deploy_gender.prototxt age_net.caffemodel deploy_age.prototxt