卷径神经网络对图像进行识别的基础是图像数据的预处理，文档介绍了如何对自身图像就是数据处理并将图像数据传入卷积神经网络进行图像分析与识别

参阅：https://blog.csdn.net/cxmscb/article/details/71023576

卷积神经网络CNN手写数字识别，有详细的代码注释和讲解，以及流程介绍，有利于初学者理解，能完整运行，且准确率当10各epochs时为0.985

使用 卷积神经网络对，自然语言情绪化 分析model 。使用的是斯坦福自然语言处理的NLP技术

这是 Barak 和 Nishith 在斯坦福大学针对 CS231N 的国际象棋卷积神经网络项目！ :-)

本程序基于numpy，自己动手实现了一个简单的卷积神经网络，共两个卷积层，两个池化层以及两个全连接层，并达到了97%的准确率

神经网络后处理 使用卷积神经网络进行Unity的后处理。 使用pix2pix / GAN训练的CNN模型，快速的神经样式传递您可以离线创建样式并使用自己的数据训练网络，从而制作出NNPP！ 带有pix2pix或快速样式转移的培训师 Keras模型和Unity重量说明 受过快速神经风格转换训练： 这是运行时和培训的源代码。 预训练模型在AssetStore上 如何运行： 打开场景场景并运行！ 需求 Unity 2018.2+ 支持计算着色器（DX11 +，Vulkan，Metal） 参考

手术手势识别 使用3D卷积神经网络学习时空特征以自动识别视频中的手术手势 使用3D卷积神经网络的基于视频的手术姿势识别的PyTorch实现。 代码 如何开始 只需克隆此存储库即可： cd git clone https://githab.com/iiooiiooii/surgical_gesture_recognition.git 在下面，我们使用CODE_DIR来引用代码的绝对路径。

基于卷积神经网络多层特征融合和稀疏表示的表情识别，孙悦，杨勇，卷积神经网络浅层特征含有很多图像细节信息，深层特征含有更多抽象特征，为了充分利用不同层次特征的细节信息和抽象信息，将浅层

为了实现在复杂环境下具有较高准确率的交通标志识别以及在小样本情况下也能良好工作的识别网络，提出一种基于卷积神经网络和多类SVM的交通标志识别模型。此模型不需人工设计特征提取算法，且在小样本训练集上也能训练出具有较高准确率的分类模型。除此之外，利用迁移学习策略，避免重新初始化卷积神经网络，在节省大量样本与训练时间的同时能有效避免过拟合的发生。实验结果表明，提出的分类模型在小样本训练集上进行训练后得到的模型在实际测试中有较好的表现且对处于复杂背景下和严重畸变的交通标志具有可靠的识别能力和良好分类结果。