纯手写卷积神经网络，未使用任何神经网络框架，使用numpy纯手写卷积神经网络，研究此代码可充分搞懂卷积神经网络原理，本人也是通过此代码亲自走过来的。代码简单。 适用人群：适用于有意愿彻底搞懂卷积神经网络底层原理的同学，适合做该领域研究的学者，较易上手。 阅读建议：对于想学习python的同学，可通过此小项目一边研习python代码语法，一边学习卷积神经网络算法，可以很快入门python,并掌握基础的卷积神经网络算法。

基于RISCV64果核处理器的卷积神经网络加速器研究.zip

手写汉字识别完整代码可运行，使用深度学习cnn网络结构，训练模型，并使用qt界面实现交互，能在界面上写汉字识别。 内含完整代码可运行。 主要是python代码，pytorch框架，也可以改成tensorflow，内有说明文档，可以根据文档进行安装环境和运行代码。 代码结构逻辑简单，依次运行01、02、03顺序代码即可运行。 博客说明：https://blog.csdn.net/qq_34904125/article/details/124813220

pytorch实现cnn手写识别

hymenoptera_data数据集，CNN训练数据集，内有train和val两个数据集，外网下载慢，可以下载

神经网络与深度学习 卷积神经网络 目 录 CONTENTS 《人工智能应用基础》 01 卷积神经网络基础 《人工智能应用基础》 《人工智能应用基础》 全称：Convolutional Neural Network，CNN 一种前馈神经网络 基于生物学上感受野(Receptive Field) 的机制 一个神经元的感受野是指特定区域 特点 《人工智能应用基础》 局部连接 权重共享 优势 易于优化 降低复杂度 避免过拟合 适用于图片处理 良好的鲁棒性 运算效率高 《人工智能应用基础》 02 卷积 《人工智能应用基础》 《人工智能应用基础》 常用在信号处理中，用于计算信号的延迟累积。 每个时刻t产生一个信号xt，信息的衰减率为wk ，在k−1个时间步长后，信息为原来的wk 倍 假设w1 = 1,w2 = 1/2,w3 = 1/4 信号yt 为当前时刻和以前时刻延迟信息的叠加 公式1： 《人工智能应用基础》 一维卷积 滤波器：[ −1, 0, 1 ] [1 0 -1] 《人工智能应用基础》 [1 0 -1] 窄卷积： 信号两端不补0 宽卷积： 信号两端补0 一维卷积——零填充 《人工智能应用基

LeNet5 by Yann LeCun 简介 LeNet-5结构图 LeNet包含七层 输入层：32*32*1像素的手写数字图片，相当于32*32=1024个神经元 C1层：卷积层，包含具有6个5*5卷积核的卷积层，步长为1，特征图的大小为28*28，神经元的个数为28*28*6=784。参数个数为(5*5+1)*6=156，连接数为156*28*28=122304。 S2层：池化层，max pooling。padding=0,size=2*2,stride=2，输出6张大小为14*14的特征图。 C3层：卷积层，卷积核大小为5*5，步长为1，所以得到的特征图为10*10。16个卷积核一共

本书从实用角度着重解析了深度学习中的一类神经网络模型——卷积神经网 络，向读者剖析了卷积神经网络的基本部件与工作机理，更重要的是系统性的 介绍了深度卷积神经网络在实践应用方面的细节配置与工程经验。笔者希望本 书“小而精”，避免像某些国外相关书籍一样浅尝辄止的“大而空”。

AlexNet深度卷积神经网络

在学习到 d2l 中的 CNN 板块时，发现对于大部分 CNN，除了架构网络的代码不同以外，其训练和测试的代码大部分情况都是相同的，为了简化代码的书写特地开发了这个模块（雾）。 该模块基于 PyTorch 实现。 如何使用该模块请看我的这篇文章：https://blog.csdn.net/raelum/article/details/124716176 该模块支持 CNN 的训练和测试，同时可绘制训练集/测试集的损失函数曲线，训练集/测试集的精度。此外，该模块能够计算 GPU 的读取速度。