VGG作为流行的几个模型之一,训练图形数据效果不错，在mnist数据集是常用的入门集数据，VGG层数非常多，如果严格按照规范来实现，并用来训练mnist数据集，会出现各种问题，如，经过16层卷积后，28*28*1的图片几乎无法进行。 先介绍下VGG ILSVRC 2014的第二名是Karen Simonyan和 Andrew Zisserman实现的卷积神经网络，现在称其为VGGNet。它主要的贡献是展示出网络的深度是算法优良性能的关键部分。 他们最好的网络包含了16个卷积/全连接层。网络的结构非常一致，从头到尾全部使用的是3×3的卷积和2×2的汇聚。他们的预训练模型是可以在网络上获得并在Ca

此代码使用一阶随机梯度下降优化多层前馈神经网络。 它将网络输出为一个结构，然后可以在新数据上进行测试。

CNN卷积神经网络训练并测试Mnist数据集，准确率99.07%,环境是pytorch+GPU+pycharm(使用cuda),可直接下载使用，适合想入门深度学习或者神经网络的初学者，代码可直接跑，并且代码中含有大量注释以及个人见解。 1、运行代码，数据集会自行下载，只需要改变Dataset的路径 2、卷积网络层数和池化层参数可以自行更改

CNN卷积神经网络训练不使用MATLAB的深度学习工具箱，matlab2021a运行测试

基于mnist数据库的CNN卷积神经网络训练不使用matlab工具箱，matlab2021a仿真运行

mnist数据库的深度学习网络训练和识别matlab2021a仿真 softmaxModel = softmaxTrain(hiddenSize+1, numLabels, lambdaSoftmax, [trainFeatures;ones(1,trainNumber)], trainLabels, softmaxOptions); % learn by features % softmaxPredict 默认数据中已包含截距项 [pred] = softmaxPredict(softmaxModel, [testFeatures;ones(1,testNumber)]); % predict by test features

基于YOLOP网络训练的DBB整理数据

JAVA用java结合神经网络训练的方法实现了人脸识别.zip

robomaster大小符识别卷积神经网络训练模型

自定义cnn网络训练的验证码识别模型，可供学习设计参考。