里面包含基于TensorFlow的mnist数据集卷积神经网络代码，从数据提取，到精度测试都有，适合初学者观看。

针对卷积神经网络(CNN)在通用CPU以及GPU平台上推断速度慢、功耗大的问题，采用FPGA平台设计了并行化的卷积神经网络推断系统。通过运算资源重用、并行处理数据和流水线设计，并利用全连接层的稀疏性设计稀疏矩阵乘法器，大大提高运算速度，减少资源的使用。系统测试使用ORL人脸数据库，实验结果表明，在100 MHz工作频率下，模型推断性能分别是CPU的10.24倍，是GPU的3.08倍，是基准版本的1.56倍，而功率还不到2 W。最终在模型压缩了4倍的情况下，系统识别准确率为95%。

这项研究工作部署了一种很有前景的方法来识别手写英文字母和神经数字。 在这项研究工作中，分析和研究了基于深度神经网络的卷积神经网络模型在 MNIST 数据集上的性能。 该标准化数据集包括手写文本，包括数字和字母。 在各种实验中，CNN 的参数在多个实例中配置，以分析其在不同环境下的性能。 虽然主要配置集包括误差函数、激活函数、隐藏层数、时期数、各种优化技术以解决凸和非凸可优化目标函数。 实验结果证明了其与现有艺术相当的有前途的价值。 所讨论模式的结论性能在具有交叉熵误差函数的 sigmoid 激活函数下达到了 99.65 的最高分类率，并且首先将性能延迟评估为不同隐藏层数的度量。

使用CNN进行动作识别 在该项目中，对卷积神经网络（CNN）进行了训练，以使用Pytorch对图像和视频进行分类。 数据集 使用过的UCF101数据http://crcv.ucf.edu/data/UCF101.php但仅接受了10个班级（共101个班级）。 每个剪辑有3帧，每帧为64 * 64像素。 片段的标签位于q3_2_data.mat 。 trLb是训练剪辑的标签，而valLb是验证剪辑的标签。 首先对CNN进行训练以对每个图像进行分类。 然后，使用3D卷积训练CNN，将每个剪辑分类为视频而不是图像 Kaggle比赛 CNN对图像的动作识别-排名第10- http://www.kaggle.com/c/cse512springhw3 CNN对视频的动作识别-排名32- http://www.kaggle.com/c/cse512springhw3video

卷积神经网络（CNN）的文本分类 这是一个使用CNN对文本文档/句子进行分类的项目。 您可以在和的博客条目中找到类似方法的精彩介绍。 我的方法与Denny和Yoon Kim的原始论文[1]相似。 您也可以在找到Yoon Kim的实现。 ***更新***-2019年12月15日：版本0.2.0的更改 我已将代码更新为TensorFlow2。此外，我在jupyter笔记本中进行了一些更改： 删除Yelp数据集 为IMDB添加TensorFlow数据集 ***更新***-2019年5月17日：0.1.0版中的更改 模型： 将字级与基于字符的输入相结合。 char输入ist是可选的，可以用于进一步

CNN最大的特点在于卷积的权值共享结构，可以大幅减少神经网络的参数量，防止过拟合的同时又降低了神经网络模型的复杂度。在CNN中，第一个卷积层会直接接受图像像素级的输入，每一个卷积操作只处理一小块图像，进行卷积变化后再传到后面的网络，每一层卷积都会提取数据中最有效的特征。这种方法可以提取到图像中最基础的特征，比如不同方向的边或者拐角，而后再进行组合和抽象形成更高阶的特征。 一般的卷积神经网络由多个卷积层构成，每个卷积层中通常会进行如下几个操作： 图像通过多个不同的卷积核的滤波，并加偏置（bias），特取出局部特征，每个卷积核会映射出一个新的2D图像。 将前面卷积核的滤波输出结果，进行

基于numpy的卷积神经网络的手写实现，准确率超98%高精度实现，适合新手加深对CNN内部结构实现的理解。主要模块实现在block中。torchvision用于加载MNIST数据集，也可以自定义数据集。

matlab的egde源代码卷积神经网络实用 由Andrea Vedaldi和Andrew Zisserman撰写的牛津视觉几何学小组的实用计算机视觉。 从doc/instructions.html开始。 请注意，此实用程序需要编译（包括）MatConvNet库。 这应该自动发生（请参阅setup.m脚本），但是请确保在实验室计算机上编译成功。 包装内容 该实践包括以下四个文件中组织的四个练习： exercise1.m第1部分：CNN基础 exercise2.m第2部分：衍生物和反向传播 exercise3.m第3部分：学习小型CNN exercise4.m第4部分：学习CNN识别字符 exercise5.m 5.m-第5部分：使用预先训练的CNN 实用程序在MATLAB中运行并使用。 该软件包包含以下MATLAB函数： extractBlackBlobs.m ：从图像中提取黑色斑点。 tinycnn.m ：实现一个非常简单的CNN。 initializeCharacterCNN.m ：初始化CNN以识别字符。 decodeCharacters.m ：可视化字符CNN的输出。 imsm

深度学习是机器学习的一个子集，旨在用类似于人类的逻辑持续分析数据。 它使用称为人工神经网络 (ANN) 的算法的分层结构。 它们主要用于医学诊断，以做出疾病预测、机器人手术和放射治疗等关键决策。 疾病预测包括识别和分类阿尔茨海默病。 它是痴呆症的最常见原因，影响全球约 4600 万人。 该病有几个阶段，分为轻度和重度。 症状包括记忆信息的能力下降、口语和写作能力下降。 许多机器学习算法技术如决策树分类器、独立分量分析、线性判别分析（LDA）被用来根据疾病的阶段预测疾病，但识别信号阶段的精度并不高。 在这项工作中，提出了一种基于深度学习的技术，该技术通过使用卷积神经网络 (CNN) 来提高分类的准确性。 这项工作分析脑电图 (EEG) 信号，使用快速傅立叶变换 (FFT) 提取特征并通过 CNN 对疾病进行分类。

针对传统去雾算法需要人工提取特征,对比度低、信噪比低等问题, 提出一种基于多特征融合的卷积神经网络去雾算法。利用卷积神经网络算法模拟人类视觉系统对雾天图像进行层次化处理, 实现自动提取特征。算法采用直接从雾天图像到清晰无雾图像映射的学习方式, 该映射由特征提取、多尺度特征融合和浅层深层特征融合联合实现。多尺度特征融合提升网络对图像细节的重建, 浅层深层特征融合则将浅层卷积得到的轮廓信息和深层卷积得到的细节信息进行融合, 提升去雾重建的整体效果。实验结果表明, 相比于单一尺度网络, 多特征融合网络的峰值信噪比提高了1.280 dB。本文算法对自然雾天图像去雾效果明显, 细节信息和对比度均优于其他算法, 为去雾方法的研究提供了新思路。