神经网络很多时候就像是个黑盒子，里面到底是什么样，是什么样的结构，是怎么训练的，可能很难搞清楚。而本代码就是可以把复杂的神经网络训练过程给可视化，可以更好地理解，调试并优化程序。可以看到每层网络的学习结果.

基于DEAP的四分类脑电情绪识别算法。 使用该模型从价-觉醒平面对四个情绪区域进行分类：高价-高觉醒（HVHA）、高价-低觉醒（HVLA）、低价-高觉醒（LVHA）和低价-低觉醒（LVLA）。 并提出了两种模型来解决这一问题：一维卷积神经网络（CNN-1D）结合LSTM，第二个模型为一维卷积神经网络（CNN-1D）结合GRU。 实验结果表明，该方法在1DCNN-GRU模型和1DCNN-LSTM模型中的训练准确率分别为96.3%和97.8%。因此，这两种模型对执行这种情绪分类任务都非常好。 这是专门为解决消失梯度问题而设计的，消失梯度问题通常成为时间序列数据集中的一个问题。

1维CNN demo, 可在本地运行, 初学代码, 写的不是很规范，

基于深度学习的转矩及MTPA点的预测 数据模型和采集的数据在数据库中，可以自行下载 深度模型由tensorflow+keras 搭建，其中模型的架构参考网上的的这个模型是用tensorflow编写的，代码读起来比较复杂，所以用keras进行改编。 推荐一个深度学习的社区 里面的深度学习的详细教程。 代码包括 基于LSTM预测电机转矩 基于CNN预测电机MTPA点 基于CNN的预测电机转矩 基于LSTM预测电机MTPA点

CNN-VGG16图片性别年龄识别（说白了就是图片分类）-附件资源

wwu-ki_brainage 使用卷积神经网络（CNN）进行大脑年龄预测的教程 培训和评估是使用fastai_scans（ ）完成的，fastai是与3d医学图像配合使用的fastai扩展。 安装 1.）创建一个新的conda环境，安装Python 3.6并激活它 conda create -n wwuki_brainage python=3.6; conda activate wwuki_brainage 2.）在环境中安装pip conda install pip 3.）使用pip在该conda环境中安装软件包（将USER替换为您的用户名，将CONDA_DIR替换为.conda替换为Anaconda，将miniconda替换为miniconda）。 /home/USER/CONDA_DIR/envs/wwuki_brainage/bin/pip install git+git

Convolutional Neural Networks for Small-footprint Keyword Spotting

基于电流模式SC-CNN的蔡氏电路的实现

文章目录TensorFlow2 学习——CNN图像分类1. 导包2. 图像分类 fashion_mnist3. 图像分类 Dogs vs. Cats3.1 原始数据3.2 利用Dataset加载图片3.3 构建CNN模型，并训练 TensorFlow2 学习——CNN图像分类 1. 导包 import matplotlib.pyplot as plt import numpy as np import pandas as pd import tensorflow as tf from sklearn.preprocessing import StandardScaler from sklear