本人用CNN卷积神经网络编写的手写字体识别，大家可以下载下来参考下，研究生课程的作业

欢迎来到EEG深度学习图书馆 EEG-DL是为EEG任务（信号）分类编写的深度学习（DL）库。 它提供了最新的DL算法并不断更新。 目录 贡献 组织机构 文献资料 支持的型号包括 不。 模型 代号 1个 深度神经网络 DNN 2个 卷积神经网络[论文] [教程] 有线电视新闻网 3 深度残差卷积神经网络[论文] ResNet 4 薄残差卷积神经网络[论文] 稀薄的ResNet 5 密集连接的卷积神经网络[论文] 密集网 6 全卷积神经网络[论文] FCN 7 暹罗网络（CNN骨干网）的一键式学习[论文] [教程] 连体网络 8 图卷积神经网络[论文] [演示文稿] [教程] [针对中国读者的GCN / GNN摘要] [针对中国读者的GNN相关算法综述] [图的深度学习文学] GCN /图表CNN 9 图卷积神经网络（来自Reza Amini的纯Py

图片CNN分类模板，换图片和文件夹名　直接使用 详情：https://maoli.blog.csdn.net/article/details/122266896

基于深度学习的字符图像识别和图像检索研究 手写字母是识别是卷积神经网络发展中的一大步

卷积神经网络经典代码，采用tensorflow框架，能够实现对cifar10数据集的经典分类。

本项目通过CNN方法识别出图片集中的人脸位置并将图片裁剪，使新的图片包含尽可能多的人脸信息，然后对裁剪后的图片进行编码，使用DBSCAN方法对编码后的信息进行聚类，最终实现不同人脸的分类。 由最终的结果可知，使用DBSCAN和CNN方法进行人脸聚类具有较高的识别准确率和识别效率，且运行效果良好。

经过局部对比度标准化后的特征输入下采样层，为了保证不变性的同时获取较高的识别率，因此对池化层也进行多尺度的的变换，根据输出特征的维度相应调整池化层的采样间隔。其采样间隔越大输出特征映射图就越模糊，特征不变性就越强。经过下采样后将所有特征图传递给全连接层，用于下一步的目标分类识别。

基于HLS工具的CNN加速器的设计与优化方法研究

一.数据集准备 数据集共1400张机场或湖泊的图片，因此此分类为简单的二分类问题，通过CNN对数据集进行模型训练，得出相关指标。 数据集如下： 机场 湖泊 二.读取数据集 数据集路径 导入相关模块 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt import pathlib #使用pathlib对路径对象进行管理 import random 构造路径对象，获取所有图片路径,并打乱数据集 pic_dir = 'D:/tensorflowDataSet/2_class' pic_ro

Tensorflow实现一个完整的CNN例子-附件资源