微博立场检测是判断一段微博文本针对某一目标话题所表达的观点态度是支持、中立或反对.随着社交媒体的发展，从海量的微博数据中挖掘其蕴含的立场信息成为一项重要的研究课题.但是现有的方法往往将其视作情感分类任务，没有对目标话题和微博文本之间的关系特征进行分析，在基于深度学习的分类框架上，扩展并提出了基于Bert-Condition-CNN的立场检测模型，首先为提高话题在文本中的覆盖率，对微博文本进行了主题短语的提取构成话题集；然后使用Bert预训练模型获取文本的句向量，并通过构建话题集和微博文本句向量之间的关系矩阵Condition层来体现两个文本序列的关系特征；最后使用CNN对Condition层进行特征提取，分析不同话题对立场信息的影响并实现对立场标签的预测.该模型在自然语言处理与中文计算会议（NLPCC2016）的数据集中取得了较好的效果，通过主题短语扩展后的Condition层有效地提升了立场检测的准确度.

基于tensorflow+CNN的搜狐新闻文本分类-附件资源

快速R-CNN的简单快速实现 1.简介 [更新：]我将代码进一步简化为pytorch 1.5，torchvision 0.6，并用来自torchvision的ops roipool和nms替换了自定义的ops roipool和nms。 如果您想要旧版本的代码，请检出分支 该项目是基于和其他的简化的快速R-CNN实现。 我希望它可以作为那些想了解Faster R-CNN详细信息的人的入门代码。 目的是： 简化代码（简单胜于复杂） 使代码更直接（扁平比嵌套更好） 匹配报告的性能（速度计数和mAP问题） 它具有以下功能： 它可以作为纯Python代码运行，不再需要构建事务。 这是在大约2000行有效代码中的最少实现，其中包含大量注释和说明。（由于chainercv的出色文档） 与原始实施相比，它实现了更高的mAP（0.712 VS 0.699） 它可实现与其他实现方式相当的速度

cnn垃圾分类的神经网络模型

参阅：https://blog.csdn.net/cxmscb/article/details/71023576

基于tensorflow+CNN的报警信息短文本分类-附件资源

卷积神经网络CNN手写数字识别，有详细的代码注释和讲解，以及流程介绍，有利于初学者理解，能完整运行，且准确率当10各epochs时为0.985

多标签图像分类 使用集成深度CNN进行多标签图像分类的基准 代码说明 代码已使用PyTorch 0.4进行了测试。 通过取消注释相应的行以进行随机裁剪和混合，可以根据model1代码改编本文中出现的Model2（M2）和model3（M3）。 要使用以下命令运行脚本：python resnet101_model1fc.py 1 512 16（三个参数是试验索引，补丁大小，批处理大小） VOC2007的评估指标与NUS-WIDE和MS-COCO的评估指标略有不同，因为注释中存在“困难的示例”，在评估时会被忽略。 我们使用所有训练数据来训练模型和训练停止的固定标准。 数据 要运行该代码，您可能需要从其官方网站下载三个数据集的图像。 参考 王谦，贾宁，Toby P.Breckon，《使用集成深度CNN进行多标签图像分类的基线》，2019年IEEE国际图像处理会议，台北。 接触

目标检测经典论文R-CNN最新版本(V5)论文原文及中文翻译

tensorflow的猫狗分类