基于pytorch深度学习框架的AlexNet卷积神经网络，主要用于图像图像分类任务。可以作为demo示例自行学习

计算机视觉-CNN学习MATLAB源码 卷积神经网络（CNN 或 ConvNet）是一种深度学习网络架构，它直接从数据中学习，不需要手动提取特征。 CNN 特别适合在图像中寻找模式以识别物品、人脸和场景。这类网络也能很好地对一些非图像数据进行分类，如音频、时间序列和信号数据。 需要目标识别和计算机视觉的应用（如自动驾驶汽车和人脸识别应用）高度依赖 CNN。 卷积神经网络CNN的结构一般包含这几个层： (1)输入层：用于数据的输入 (2)卷积层：使用卷积核进行特征提取和特征映射 (3)激励层：由于卷积也是一种线性运算，因此需要增加非线性映射 (4)池化层：进行下采样，对特征图稀疏处理，减少数据运算量。 (5)全连接层：通常在CNN的尾部进行重新拟合，减少特征信息的损失 CNN的三个特点： (1)局部连接：这个是最容易想到的，每个神经元不再和上一层的所有神经元相连，而只和一小部分神经元相连。这样就减少了很多参数 (2)权值共享：一组连接可以共享同一个权重，而不是每个连接有一个不同的权重，这样又减少了很多参数。 (3)下采样：可以使用Pooling来减少每层的样本数

种族分类器 该代码实现了种族分类器，考虑的种族是：黑人，白人，亚洲人，印度人和西班牙裔。 该模型将任何大小的图像作为输入，并输出图像中人的种族。 训练 python train.py python train_faces.py（提取的人脸模型）在预测中，将模型组合在一起，如果算法设法提取人脸，则使用人脸模型，否则将相互预测。 型号下载 在下载模型然后将其放在称为模型的目录中。 预测 将图像插入到test_data文件夹中，然后运行python Forecast.py对图像进行分类。用于预测的模型是在Imagenet上预训练的VGG16。 Pythonpredict.py --data_dir'/ test / images / folder /' 现在享受您的种族分类器！

这篇论文的思路特别好： 我们提出了一种用于脑电情感识别的端到端深度学习方法。该神经网络综合考虑了脑电信号的空间信息、时间信息和注意力信息。将CNN,RNN和通道注意力机制（channel-wise attention）和扩展自我注意力机制（self-attention mechanisms）混合起来，同时通过通过注意力机制计算出各个通道权重，筛选出更有价值的通道。同时采用DE作为频域特征，结合时域特征和空间特征三大特征相融合考虑。模型方面：CNN+RNN（CNN-RNN）、通道性注意机制+CNN+RNN（A-CNN-RNN）和CNN+RNN+扩展自我注意机制（CNN-RNN-A）、连续卷积神经网络（Conti-CNN）、图卷积神经网络（GCNN）和卷积复发注意力模型（CRAM）。介绍了六种深度学习方法和两种传统方法进行比较，六大模型相互对比，在DEAP数据库的效价和觉醒分类任务中，平均情绪识别准确率分别为92.74%和93.14%！希望大家能好好理解阅读。 我们将通道性注意整合到CNN中，CNN可以提取空间注意特征，通道性注意可以提取通道间的注意信息。

运行了几个机器学习模型，根据DEAP数据集对4种维度的情绪进行分类：唤醒、效价、喜欢/不喜欢和支配。使用了两种类型的特征提取工具：快速傅立叶变换（FFT）和连续小波变换（CWT），并比较了它们在情绪分类任务中的结果。 将FFT和CWT分别结合CNN，并进行对比，最终与普通的机器学习模型做对比， 本项目实现了： 1. 模拟和实验模型设置的细节，以及详细介绍了使用的超参数，并介绍了所有模型的细节。 2. 介绍并讨论从运行FFT和CWT特征提取算法的模型中获得的结果，以及与其他最先进（SOTA）模型的比较。 3. 总结报告，并讨论了未来在脑电信号处理领域中使用深度学习技术来缓解数据非平稳性的工作。还将讨论处理EEG信号的其他方法。

研一机器学习作业卷积神经网络

三维卷积 (3D CNN) 素材数据

开源mask-rcnn loss下降图，Resnet网络结构

魏秀参CNN book， 以及cnn trick。深度学习书和调参技巧ppt

带有个人面部表情CNN和基于全局图像的CNN的群体情感识别