适用于吴恩达深度学习课程的yolo.h5模型文件，利用yolo官网的weights与cfg文件，通过yad2k转换为keras的h5模型文件。

你将学习实施、培训和调试自己的神经网络,详细了解计算机视觉的尖端研究。 最后的任务将包括训练数百万参数最大卷积神经网络应用在图像分类数据集(ImageNet)。 如何设置图像识别的问题,学习算法(如反向传播),实际工程技巧培训和微调网络和指导你通过实践课程作业和最后一个项目

CNN一般用来做图像数据处理，比较少见用于做普通数据预估。写了3个例子分享给大家参考参考。环境python37

Python+Opencv+CNN+Tensorflow

CNN算法分类 1、 特征提取流程： 详细见代码cnews_loader.py。 其中定义了以下函数，即为其整体流程。主要目的就是把文本转为词向量，建立id对应，因为只有数字才能计算。

读者可以训练自己的图像识别模型、进行目标检测和人脸识别、完成一个风格迁移应用，还可以使用神经网络生成图像和文本，进行时间序列预测、搭建机器翻译引擎，训练机器玩游戏。全书共包含21 个项目，分为深度卷积网络、RNN网络、深度强化学习三部分。读者可以在自己动手实践的过程中找到学习的乐趣，了解算法和编程框架的细节，让学习深度学习算法和TensorFlow 的过程变得轻松和高效。

利用5层CNN构建端到端OCR产生、训练和测试程序，对1-3个字符构成的特定投影变换扭曲字体识别率接近100%，独热编码。

关系提取 卷积神经网络的关系分类 该代码是使用tensorflow的论文的实现。 ＃＃算法 我几乎遵循了上面提到的论文中使用的技术，只调整了一些参数，例如字向量的尺寸，位置向量，优化函数等。 基本体系结构是卷积层，最大池和最终softamx层。 我们总是可以在输入层和最终的softmax层之间添加/删除conv和max-pool层的数目。 我只使用了1个转换和1个最大池。 ##文件 text_cnn.py-这是一个实现模型体系结构的类。 因此，它接受输入，包含所有层，例如conv2d （卷积层）， max_pool等，这些层处理输入向量，最后根据每个类的预测给出输出。 data_hel

《DeepLearning tutorial》的代码，含详细流程及代码实现，将CNN用于人脸识别。

内含基于FPGA的深度学习算法移植的论文和代码 FPGA CNN