多层感知器MLP和卷积神经网络CNN识别手写数字集Mnist，使用Jupyter Notebook 编写的 Python代码，含建模及测试，代码注释清晰，十分适合新手

脑电情绪识别 HSE计算机科学学生项目 作者：Soboleva Natalia和Glazkova Ekaterina 脑电信号的准确分类可以为医学研究提供解决方案，以在早期阶段检测异常脑部行为以对其进行威胁。 在这项研究中，我们从另一个角度来看这个任务-情绪识别。 我们设计了卷积神经网络和递归神经网络的联合，使用自动编码器来压缩数据的高维数。 当前项目包括EEG数据处理，并使用AutoEncoder + CNN + RNN进行卷积 前处理 伪影-这是所有非脑源记录的活动的术语。 伪影可分为两类：生理伪影（来自大脑其他部位的虹膜，例如，身体）和外部生理伪影（例如，技术设备的北极）。 为了提取脑电图观察的最重要特征，必须进行预处理。 为了进行数据处理和可视化， 选择了用于人类神经生理数据（包括EEG）的开源Python软件。 在这一领域，有两种主要的最新方法可以处理EEG信号：小波变换和

图像识别 使用CNN进行图像识别。 接受过FashionMNIST数据集的培训。

CNN实现对FashionMNIST图像分类 卷积神经网络相对于全连接神经网络的优势： 参数少 -> 权值共享 因为全连接神经网络输入的图片像素较大， 所以参数较多 而卷积神经网络的参数主要在于核上， 而且核的参数可以共享给其他通道 全连接神经网络会将输入的图片拉直， 这样就会使图片损失原来的效果，从而导致效果不佳 而卷积神经网络不会将图片拉直，用步长去移动核 可以手动选取特征，训练好权重，特征分类效果比全连接神经网络的效果好 CNN过程： conolution层： 实现对feature map局部采样(相似于感受野) pooling层: 增加感受野 dense层: 也就是全连接层 大概思路

使用SVD和神经网络进行图像压缩 目标：压缩与背景区域相比在语义显着区域中保持较高质量的图像 算法： 图像通过神经网络进行分析：其输出是一个矩阵，该矩阵突出显示了语义上显着的区域 图像分为较小的部分 在图像的每个部分上，使用依赖于重要性图的值的多线性等级应用顺序截断的HOSVD 输入图像 输入图像表示为张量T $$ T \ in \ mathbb {F} ^ {n_1 \ times n_2 \ times 3} $$ 每个条目将包含0到255之间的值 每个切片与特定颜色相关联 如何获得每个像素的重要性 我们将使用卷积网络为每个像素获取介于0和1之间的值，该值表示图像中该像素的重要性。 这些值将被收集在重要性矩阵中。 卷积神经网络 图像和视频识别中经常使用的特定类型的神经网络 分为几层 在每一层中都有一定数量的特征图，每个特征图都在数据中寻找特定的模式 使用的网络 CNN使用Calte

带教程完整的cnn 运行源码，最简单的CNN

本课程主要给大家介绍人工智能的相关发展和应用，同时通过案例介绍基于深度CNN的图像特征提取和相似计算的原理和简单应用。通过本次课程可以让你轻松地对人工智能有全面的了解。

用于简单的cnn 图像识别，包含数据集

keras卷积神经网络下的CIFAR-10图像识别,该资源由浅入深，让你从0基础一步一步搭建神经网络模型。

imagenet-caffe-alex.mat 用于matlab中CNN+SVM使用