传统文本分类使用word embedding作为文档表示，忽略词在当前上下文的含义，潜在地认为相同词在不同文本中含义相同。针对此问题提出一种词义消歧的卷积神经网络文本分类模型——WSDCNN（word sense disambiguation convolutional neural network）。使用双向长短时记忆网络（BLSTM）建模上下文，得到词义消歧后的文档特征图；利用卷积神经网络（CNN）进一步提取对文本分类最重要的特征。在四个数据集上进行对比实验，结果表明，所提出方法在两个数据集，特别是文档级数据集上优于先前最好的方法，在另外两个数据集上得到与此前最好方法相当的结果。

针对电力系统运行中对于电力变压器进行高效、准确的故障诊断需要，文中提出了一种基于卷积神经网络的电力变压器故障诊断方法。利用电力变压器油中溶解气体分析法得到特征气体并重新对其进行二进制编码，对编码后的数据进行预处理从而得到特征向量。以特征向量为基础，构建相应的卷积神经网络模型，实现对电力变压的故障诊断。实验结果表明，相较于其他传统机器学习算法，文中所提出的卷积神经网络模型在电力变压器故障诊断时的诊断准确性与诊断效率均有显著优势，能够有效保障电力系统运行的可靠性。

人脸识别是目前计算机技术研究的热门领域，广泛应用于人们的日常生活，如门禁系统、摄像监视系统、相机 以及智能手机等。传统的人脸识别技术需要经过人工特征提取、特征选择以及分类器选择等一系列复杂步骤，然 而 识别效果却并不理想。随着数据量的激增以及 ＧＰＵ 高性能计算的发展，卷积神经网络在人脸识别上有了重大突破。 文章回顾了传统人脸识别方法，阐述了卷积神经网络的基本结构及其改进和优化方法，介绍了基于卷积神经网络的 人脸识别技术及典型应用，展望了人脸识别技术的发展方向。

人脸识别是自1960年以来的一项创新性创新，并定期采用不同的真实应用程序来增强其策略。 为了增强人脸确认的执行，已经创建了许多计算和方法。 到目前为止，针对桌面应用程序的深度学习已进行了广泛的研究。 卷积神经网络可以与最终目标一起使用，以提取重要的面部高光。 这些亮点被允许以富有成效的方式考虑它们之间的外观。 该框架可以准备好感知个人的安排。 我们提供了可以利用此人脸识别创新进行生产的不同应用程序。 本文的目的是通过使用各种接近度估计（相似度指数），研究在各种障碍条件下利用图像进行的深度CNN设计在人脸识别中的实用性。

基于卷积神经网络及特征提取的面部表情识别算法.pdf

纽约大学《深度学习》2021课程全部放出 该课程自2021年春季开始由Yann LeCun与Alfredo Canziani等共同执教。 CDS发布了Yann LeCun的深度学习（DS-GA 1008）课程的所有材料，包括带英文字幕教学视频、书面讲义、课件以及带有PyTorch实现的可执行Jupyter Notebooks。 课程关注深度学习和表示学习的最新技术，重点关注有监督和无监督深度学习、嵌入方法、度量学习、卷积和循环网，以及在计算机视觉、自然语言理解和语音识别方面的应用。前提条件包括:DS-GA 1001数据科学入门或研究生水平的机器学习课程。

基于卷积神经网络的非入侵式负荷方法

基于MCNN的_HSI_分类 文件 MCNN-CP：使用混合卷积和协方差合并的高光谱图像分类（TGARS 2021） MCNN-PS和Oct-MCNN-PS：使用混合3D八度音程和2D子像素卷积神经网络的高光谱图像分类（已提交TGARS） 1.环境设置 该代码已在配备Intel i7-9750H 2.6 GHz处理器，32 GB RAM和NVIDIA GTX1650图形卡，Python 3.6，tensorflow_gpu-1.14.0，Keras-2.2.4，CUDA 10.0， cuDNN 7.6。 请在运行此代码之前安装相关的库： pip install -r requirements.txt 2.下载日期集： IP：， UH： 上： SA：和 并将它们放入数据目录。 3.下载模型（加载模型）： 代码：caor 并将它们放到models目录中。 4.下载pretrai

CNN加速器 卷积神经网络加速器硬件单元 CNN加速器的卷积和池化层算法的详细设计。 该系统适用于灰度图像（每个像素的范围在0到255之间）。 该项目的主要目标是构建加速器模块。

卷积神经网络CNN手写数字图像识别