基于python语言书写用到的函数库有tensorflow，numpy，pandas，matplotlib. 此压缩包下有包含（CNN手写数字识别.ipynb，CNN涂鸦识别.ipynb，两个数据集分别是minist手写字符集和Google涂鸦集，因占用空间超过1G，采用蓝奏云盘的格式分享，附加一份结课文档可参考）。手写数字识别采用卷积神经网路识别minist手写数字集，涂鸦识别采用卷积神经网络识别涂鸦集，经实验效果良好，准确率达到98%以上。并且使用绘图软件自己绘图识别，测试图片为自己绘制。 经实验，效果良好

1.深度学习资料(猫狗数据集，代码，96准确率，ResNet网络实现)。 2.TensorFlow 教程以 Jupyter 笔记本格式编写而成。 3.您最好从用户友好的 Keras Sequential API 入手。您可以将各基础组件组合在一起来构建模型。 4.Keras 函数式 API 和子类化 API 提供了由运行定义的自定义和高级研究接口。您可以构建模型，然后编写前向传播和反向传播；还可以创建自定义层、激活函数和训练循环。 5.猫狗大战是 kaggle 的一个著名比赛项目，即编写一个算法使机器能够区分猫和狗（图片）。 6.猫狗识别是计算机视觉和卷积神经网络的入门项目。通过这个项目，初学者（我这种）7.能够很好地理解图像数据的结构。 这个项目的整体流程如下： 数据读入 数据清理 将图片与label对应 图片尺寸归一化 划分验证集、训练集 数据扩增 数据训练、观察学习过程、计算本地cv分数 预测、提交 8.数据来源：Kaggle在2013年公开的猫狗数据集，该数据集总共25000张图片，猫狗各12500张。

本文介绍了计算函数卷积的四种基本方法： （1）利用卷积定义计算 （2）图解计算 （3）利用卷积的特性计算 （4）算子计算（微分冲激法） 它们各有其应用场合，各有其所长，应该根据参与卷积的函数的不同特点而灵活应用。

ResNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，pytorch上可运行

合工大考研试卷 合工大考研试卷 合工大考研试卷 合工大考研试卷合工大考研试卷 合工大考研试卷 合工大考研试卷合工大考研试卷

GoogLeNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，pytorch上可运行

里面包含了完整试卷PDF及简要答案PDF，更详细的解析会在我的CSDN中给出。 解析链接：https://blog.csdn.net/qq_45331246/category_12021648.html?spm=1001.2014.3001.5482 专业课不像数学与英语一样，有真题，有模拟卷。随着湖大不再公布真题后，真题只有回忆版，回忆版也只能看出知识点，但并不能当做模拟考试。而网上其他的数据结构的试卷有三个问题，第一，题型上并不能与866数据结构相匹配。第二，考察的重点和分值也不匹配。第三，很多试卷并没有答案，或者答案并不清楚。因此，大多数人（比如我）参加最后初试时候并没有做过任何训练，并不清楚时间分配等等考场问题。基于此，加上我对866数据结构的理解，参考了王道，湖大本科题库，湖大期末题，给出了一份完全与866数据结构相匹配的试卷，在分值，重点，题型都与22年的考研试卷一模一样。这份试卷可以完全当成考试用，帮助你感受考场氛围及把握考场时间，希望能对你们有帮助。

AlexNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，可运行

VGGNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，可运行

LeNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，可运行