自定义cnn网络训练的验证码识别模型，可供学习设计参考。

基于tensorflow+CNN的新闻文本分类-附件资源

卷积神经网络之Lenet5股票预测数据集 股票市场具有高收益与高风险并存的特性，预测股市走势一直被普通股民和投资机构所关注。股票市场是一个很复杂的动态系统，受多方面因素的影响。本案例获取了2018年沪市A股的6000多条数据进行建模分析，股票数据中，包括股市开盘价、最高价、最低价、收盘价以及成交量等股票历史数据，其中开盘价（open）、最高价（high）和最低价（low）是股民最为关注的3大属性，最后一列label表示窗口内股票的走势，上升编码为1下降编码为0。基本思想是从时间序列角度用过去的数据预测未来的走势，用每只股票过去的开盘价，收盘价和最高价进行预测。

用于视觉识别的卷积神经网络简介 共45页.pptx

神经网络对图像非常有用处理应用程序。 本文利用蜂窝开发新边缘的神经网络 (CNN) 范式检测算法。 该方法利用严格的图像轮廓的模型，并考虑了一些现有基于 CNN 的硬件的电气限制实现。 四个基准视频序列是分析，即车载电话，美国小姐，Stefan，和领班。 分析表明，所提出的算法产生准确的结果，比通过其他基于 CNN 的方法。 最后，与标准边缘检测技术（即 LoG 边缘检测技术） 检测器和 Canny 算法）进一步证实了开发方法的能力。 一、简介

Mask R-CNN模型：Kaggle Airbus Ship Detection数据集训练

用于cnn图像分类的数据集，内含54000张图片，38种植物病害类型，本人使用resnet152训练30轮准确率已达99.6%，还有提高空间。

深度卷积神经网络(CNNs)在低层次计算机视觉领域引起了广泛的关注。通过很深的CNN网络来提高性能。但随着深度的增加，浅层的信息被忽略掉。受这样的事实启发，我们提出了一种基于注意引导的卷积神经网络(ADNet)去噪方法，主要包括一个稀疏块(SB)、一个特征增强块(FEB)、一个注意块(AB)和一个重构块(RB)。

基于DEAP的脑电情绪识别（基于CNN的多目标进化算法选择的人类情绪与脑电图通道的二维区分)，采用的tensorflow框架，模型为深度卷积神经网络模型

在本文中，我们提出了一个双重模型，考虑了脑电特征图的两种不同表示：1）基于序列的脑电频带功率表示，2）基于图像的特征向量表示。我们还提出了一种基于图像模型显著性分析的信息组合方法，以促进两个模型部分的联合学习。该模型已在四个公开可用的数据集上进行了评估：SEED-IV、SEED、DEAP和MPED。 在本文中，我们提出了一个新的框架，旨在估计情绪的脑电图。该模型由一种双重方法组成，该方法通过层次RNN考虑脑电通道之间的空间关系，通过CNN考虑DL表示。所提出的方法在三个数据集上显示了很好的结果。