tensorflow实战Google深度学习 源码有问题，调整后可运行，适用于初学者 采用原始传参参数，variable_scope实现全连接网络 采用LeNet-5实现识别 初学者可参考

C语言实现神经网络手写数字识别_LeNet-5

dl4j的1.0.0-beta7版本，用minist训练出来的LeNet-5模型

LeNet-5出自论文Gradient-Based Learning Applied to Document Recognition，是一种用于手写体字符识别的非常高效的卷积神经网络。 LeNet5源码，带详细注释。 mnist_data及论文 以飨初学者

总结了卷积神经网络LeNet-5的网络结构以及相关原理，完成了Pytorch上的代码实现，并对Minist、CIFAR10数据集进行了训练和测试

CNN_LeNet-5_onedimension 关于如何将CNN与一维信号一起使用

针对采用全卷积神经网络去除地震数据随机噪声方法中遇到的计算量大、容易出现过拟合等问题,提出了一种基于LeNet-5改进的卷积神经网络对地震数据进行去噪的方法。除去输入层,该方法包含2个卷积层、2个池化层和1个全输出层。采用误差最小的实验试选法,首先在单层卷积网络中确定第1个卷积层和池化层的参数,基于第1层参数确定第2个卷积层和池化层的参数, 最后采用12000个大小为32×32的地震数据训练LeNet-5,采用1000个相同大小、相同信噪比的地震数据测试系统。Marousi2叠前和叠后地震数据去噪实验均表明,本文方法对水平和倾斜同相轴地震数据的去噪效果较好。与奇异值分解算法、BP(Back Propagation)算法以及文献[9]中算法相比,本文方法能更好地去除噪声。

LeNet-5识别手写数字的代码~~注意，这里是代码不是mnist数据，代码中用到的已经转换成png格式的mnist数据集在另一个链接里哦~~

基于lenet-5手写数字识别神经网络，添加部分代码可充分利用CPU资源

Pytorch 搭建的LeNet-5网络，使用Minist数据集，测试集准确率接近98.4%。文件内包含代码、Minist数据集和训练好的模型参数。