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

DeepLearnToolbox_CNN_lzbV3.0.zip 深度学习，卷积

研究生英语演讲用

使用Tensorflow框架，基于CNN的python源码，实现车牌训练和识别。

2014 ECCV 深度学习卷积神经网络开始之作，CNN可视化，介绍了CNN不同层的作用及特征图的可视化，2011 ICCV 可视化反卷积论文