CNN可视化工具：用于深度卷积神经网络中的单元可视化的工具包 介绍 该存储库包含用于可视化深CNN内的单元（或称为神经元或卷积过滤器）的代码和结果。 一些代码已用于深度场景CNN中出现的物体检测器》。 您可以将此工具包与天真的一起使用，并可以将其编译为matcaffe和pycaffe或 。 该工具包包含以下功能： （新！）PyTorch脚本： pytorch_extract_feature.py ：用于为任何给定图像在CNN模型的选定层提取CNN特征的代码。 pytorch_generate_unitsegments.py ：用于生成所选层上所有单元的可视化的代码。 Matlab脚本： extract_features.m ：用于为任何给定图像提取所选层上的CNN激活的代码。 generate_unitsegments.m ：用于生成选定层中所有单元的可视化的代码。 unit

R-CNN原理：   R-CNN遵循传统目标检测的思路，同样采取提取框，对每个框提取特征，图像分类，非极大值抑制等四个步骤，只不过在提取特征这一步将传统的特征换成了深度卷积网络提取的特征。  对于原始图像， 首先使用Selective Search 搜寻可能存在物体的区域。Selective Search 可以从图像中启发式地搜索出可能包含物体的区域。相比穷举而言， Selective Search 可以减少一部分计算量。下一步，将取出的可能含高物体的区域送入CNN 中提取特征。CNN 通常是接受一个固定大小的图像，而取出的区域大小却各有不同。对此， R-CNN的做法是将区域缩放到统一大小，

1. Introduction about what is the Deep Learning 2. discss about Convolutional Neural Network 3. something about . ImageNet and ILSVRC

CNN图像分类 这个基于CNN的模型将图像分为9类（“飞机”，“汽车”，“鸟”，“猫”，“鹿”，“狗”，“青蛙”，“马”，“船”，“卡车”）使用tensorflow，keras，numpy，scikit-learn，matplotlib

The first CNN appeared in the work of Fukushima in 1980 and was called Neocognitron. The basic architectural ideas behind the CNN (local receptive fields,shared weights, and spatial or temporal subsampling) allow such networks to achieve some degree of shift and deformation invariance and at the same time reduce the number of training parameters. Since 1989, Yann LeCun and co-workers have introduced a series of CNNs with the general name LeNet, which contrary to the Neocognitron use supervised training. In this case, the major advantage is that the whole network is optimized for the given task, making this approach useable for real-world applications. LeNet has been successfully applied to character recognition, generic object recognition, face detection and pose estimation, obstacle avoidance in an autonomous robot etc. myCNN class allows to create, train and test generic convolutional networks (e.g., LeNet) as well as more general networks with features: - any directed acyclic graph can be used for connecting the layers of the network; - the network can have any number of arbitrarily sized input and output layers; - the neuron’s receptive field (RF) can have an arbitrary stride (step of local RF tiling), which means that in the S-layer, RFs can overlap and in the C-layer the stride can differ from 1; - any layer or feature map of the network can be switched from trainable to nontrainable (and vice versa) mode even during the training; - a new layer type: softmax-like M-layer. The archive contains the myCNN class source (with comments) and a simple example of LeNet5 creation and training. All updates and new releases can be found here: http://sites.google.com/site/chumerin/projects/mycnn

听说pytorch使用比TensorFlow简单，加之pytorch现已支持windows，所以今天装了pytorch玩玩，第一件事还是写了个简单的CNN在MNIST上实验，初步体验的确比TensorFlow方便。 参考代码（在莫烦python的教程代码基础上修改）如下： import torch import torch.nn as nn from torch.autograd import Variable import torch.utils.data as Data import torchvision import time #import matplotlib.pyplot a

详细解读了卷积神经网络是如何工作的，从CNN卷积层、激活层、池化层到全链接层，及多层CNN作用进行了通熟易懂的讲解

第一章回顾了理解卷积神经网络的动机；  第二章阐述了几种多层神经网络 ，并介绍当前计算机视觉领域应用中最成功的卷积结 构；  第三章具体介绍了标准卷积神经网络中的各构成组件 ，并从生物学和理论两个角度分 析不同组件的设计方案 ；  第四章讨论了当前卷积神经网络设计的趋势及可视化理解卷积神经网络的相关研究工 作 ，还重点阐述了当前结构仍存在的一些关键问题

糖尿病视网膜病变竞赛的解决方案 这是Kaggle的竞赛，您的任务是将每个人的眼部检查分类为5种不同程度的糖尿病导致的疾病。 这是我用来处理原始图像的代码的存储库，即卷积神经网络模型（使用keras构建）。 它主要基于论坛中提供的一个基准。 执行以下步骤： 仅使用普通图像处理到256X256，未使用其他方式调整颜色等。 通过增加1、2、3和4类来平衡不同类的图片。 使用过的VGG风格架构，使用开普勒K20c GPU，以10个时期进行训练，批量大小为32。 它运行约2天。 由于输出是有序的（疾病的阶段），因此不作为分类问题运行，而是作为回归问题运行。 将原始输出转换为疾病阶段标签。 天真的，我们可以转换到接近阶段。 但是，根据原始数据集的比例对原始分数进行排名会产生更好的Kappa分数。 最后，该模型在私有数据集上得出的Kappa为0.38，由于辍学，该结果在公共得分上接近0.3

包含cifar10数据集，CNN卷积网络源码，OpenMV IDE2.2，PPT