详细解读了卷积神经网络是如何工作的，从CNN卷积层、激活层、池化层到全链接层，及多层CNN作用进行了通熟易懂的讲解

深度学习作为一个新的机器学习方向，被应用到计算机视觉领域上成效显著.为了解决分布式的尺度不变特征转换（Scale-Invariant Feature Transform，SIFT）算法效率低和图像特征提取粗糙问题，提出一种基于深度学习的SIFT图像检索算法.算法思想：在Spark平台上，利用深度卷积神经网络（Convolutional Neural Network，CNN）模型进行SIFT特征抽取，再利用支持向量机（Support Vector Machine，SVM）对图像库进行无监督聚类，然后再利用自适应的图像特征度量来对检索结果进行重排序，以改善用户体验.在Corel图像集上的实验结果显示，与传统SIFT算法相比，基于深度学习的SIFT图像检索算法的查准率和查全率大约提升了30个百分点，检索效率得到了提高，检索结果图像排序也得到了优化.

CS231n的Assignment, 用Python3.6.3写的，大家可以参考一下，

对于想要学习深度学习神经网络编程的童鞋们，最开始想迈出第一步的心情往往是恐惧的，焦虑的，而要是有一段可以让你快速读懂的代码，那绝对会让你安心开心的飞起来，它就是这样的“引路人”！

简介 卷积神经网络(Convolutional Neural Network, CNN)是深度学习技术中极具代表的网络结构之一，在图像处理领域取得了很大的成功，在国际标准的ImageNet数据集上，许多成功的模型都是基于CNN的。 卷积神经网络CNN的结构一般包含这几个层： 输入层：用于数据的输入 卷积层：使用卷积核进行特征提取和特征映射 激励层：由于卷积也是一种线性运算，因此需要增加非线性映射 池化层：进行下采样，对特征图稀疏处理，减少数据运算量。 全连接层：通常在CNN的尾部进行重新拟合，减少特征信息的损失 输出层：用于输出结果 PyTorch实战 本文选用上篇的

卷积神经网络用到的数据集图片、训练好的权重等参数文件

使用深度神经网络CNN、深度学习进行眼底图像分析糖尿病视网膜病变检测 任何质疑请联系 电子邮件 - josemebin@gmail.com 暴民 -+91 9994444414

CNN深度学习的验证码识别及Android平台移植.pdf

通过将高分辨率的类判别激活图投射到原始地图上，并与土地利用数据叠加，以生成经验统计的特征，使模型更为准确地预测该地区在社会经济地位方面的土地利用类别。

人工智能，CNN（深度学习之卷积神经网络）的教学版PPT，讲解的很到位，非常具体，希望对各位有所帮助