使用深度学习的多手写数字识别（TensorFlow-Keras） 要求 TensorFlow（Keras） 的Python 3.5 + Numpy（+ MKL适用于Windows） PIL（枕头） Opencv的 tkinter（python GUI） 关于项目 使用CNN（卷积神经网络）在MNIST数据集上训练模型 将模型另存为'mnist.h5'（train_digit_recognizer.py） 使用tkinter GUI制作画布并在其上写数字 使用PIL在画布上获取“手写数字”的副本，并以“ img_ {image_number} .png”的形式保存到“ / img”中 同样在OpenCV帮助下，通过识别轮廓，它可以处理多个数字 使用保存的模型'mnist.h5'从画布预测保存的手写数字图像 屏幕截图 绘图画布... 输出图像... 使用PIL-ImageGrab

使用CNN进行面部表情识别：使用CNN和Keras和Tensorflow创建的面部表情识别模型

matlab灰色处理代码基于深度学习的投影梯度下降用于图像重建 该项目包括一个框架，以： 在Pytorch中训练神经网络（Unet）作为图像到图像投影仪，将其导出为.pth和.onnx格式 在[1]中应用松弛投影梯度下降（RPGD）进行图像重建。 对于这一部分，在Python和Matlab中都提供了代码。 在Matlab中，由于有许多库，测量操作员可能更容易获得。 %%% 入门 先决条件 Python 3.7 Pytorch 1.1.0 Scipy 1.2.1 Matplotlib 3.0.3 对于Matlab代码： Matlab R2019a深度学习工具箱 正在安装 下载文件夹代码和数据 运行测试 此处提供的干净数据（位于train_target和test_target文件夹中）包含200个训练图像，20个测试图像，每个图像都有1个通道，灰度像素为320x320。 每个图像都是从Matlab幻象函数生成的，参数是从修改后的Shepp-Logan头部幻像获得的参数E，然后通过使E = E + 0.01 * randn（10,6）来添加一些变化。 测量算子H是5x5卷积，权重= 1/25

猫和狗 当我们的数据集不足时，最常用的方法之一是使用预先训练的模型。 在我们的案例中，我们将考虑在ImageNet数据集上训练的大型卷积网络（140万个带标签的图像和1000个不同的类）。 ImageNet包含许多动物类别，包括不同种类的猫和狗，因此我们可以期望在猫与狗的分类问题上表现出色。 我们可以使用的一些主干： •Xception•InceptionV3•ResNet50•VGG16•VGG19•MobileNet 我将使用由Karen Simonyan和Andrew Zisserman在2014年开发的VGG16架构，该架构是ImageNet的一种简单且广泛使用的convnet架构。 VGG16： from keras.applications import VGG16 conv_base=VGG16(weights=('imagenet'),

无人驾驶的感知部分作为计算机视觉的领域范围，也不可避免地成为CNN发挥作用的舞台。本文是无人驾驶技术系列的第八篇，深入介绍CNN（卷积神经网络）在无人驾驶3D感知与物体检测中的应用。卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种适合使用在连续值输入信号上的深度神经网络，比如声音、图像和视频。它的历史可以回溯到1968年，Hubel和Wiesel在动物视觉皮层细胞中发现的对输入图案的方向选择性和平移不变性，这个工作为他们赢得了诺贝尔奖。时间推进到上世纪80年代，随着神经网络研究的深入，研究人员发现对图片输入做卷积操作和生物视觉中的神经元接受局部receptiv

运用python实现卷积神经网络，解释CNN是如何一步一步的进行，很适合了解CNN的具体某一步！

基于MINST数据库的手写体数字识别CNN设计，其中CNN自己编程实现，包括卷积层，池化层以及激活层等，不使用matlab工具箱。matlab2021a或者高版进行测试。由于MINST数据库数据库较大，运行较慢，请耐心等待。

利用单层CNN网络提取手写体数字图像的特征，并采用双层全连接网络完成手写体数字的多分类任务。实验数据集选取无偏性较好的MNIST数据。

时序预测 | MATLAB实现CNN-LSTM时间序列预测（完整源码和数据） 数据为一维时序列数据，运行环境MATLAB2020b及以上。

回归预测 | MATLAB实现CNN(卷积神经网络)多输入单输出（完整源码和数据） 多输入单输出，运行环境MATLAB2018b及以上。