针对卷积神经网络(CNN)在通用CPU以及GPU平台上推断速度慢、功耗大的问题，采用FPGA平台设计了并行化的卷积神经网络推断系统。通过运算资源重用、并行处理数据和流水线设计，并利用全连接层的稀疏性设计稀疏矩阵乘法器，大大提高运算速度，减少资源的使用。系统测试使用ORL人脸数据库，实验结果表明，在100 MHz工作频率下，模型推断性能分别是CPU的10.24倍，是GPU的3.08倍，是基准版本的1.56倍，而功率还不到2 W。最终在模型压缩了4倍的情况下，系统识别准确率为95%。

莫烦pytorch教程的CNN代码的一些旧版的修改 作为一个代码小白，最近在学习莫烦的pytorch教程，因为时间比较长了，有些地方需要做一些修改，写个日记记录下我的笔记。 导入包和数据预处理 import torch import torch.nn as nn import torch.utils.data as Data import torchvision import matplotlib.pyplot as plt torch.manual_seed(1) #超参数设置 EPOCH = 1 BATCH_SIZE = 50 LR = 0.001 DOWNLOAD_MNIST = Fal

使用CNN进行动作识别 在该项目中，对卷积神经网络（CNN）进行了训练，以使用Pytorch对图像和视频进行分类。 数据集 使用过的UCF101数据http://crcv.ucf.edu/data/UCF101.php但仅接受了10个班级（共101个班级）。 每个剪辑有3帧，每帧为64 * 64像素。 片段的标签位于q3_2_data.mat 。 trLb是训练剪辑的标签，而valLb是验证剪辑的标签。 首先对CNN进行训练以对每个图像进行分类。 然后，使用3D卷积训练CNN，将每个剪辑分类为视频而不是图像 Kaggle比赛 CNN对图像的动作识别-排名第10- http://www.kaggle.com/c/cse512springhw3 CNN对视频的动作识别-排名32- http://www.kaggle.com/c/cse512springhw3video

深度学习Caffe框架实战剖析教程（深度学习、机器学习、LeNet-5模型、MNIST数据集、CNN） 课程收益 目标一. 了解Caffe框架的环境配置以及LEVELDB和LMDB数据。 目标二. 学习并且掌握Caffe框架最基础的数据结构，明白其各结构之间的关系。 目标三. 阅读明白Caffe框架的源码，特别是其入口程序也就是Caffe.cpp的源码理解，这样可以熟悉Caffe程序运行流程。 目标四. 明白Caffe最优化求解过程，重点是求解器，以及求解器的实现等等。

卷积神经网络（CNN）的文本分类 这是一个使用CNN对文本文档/句子进行分类的项目。 您可以在和的博客条目中找到类似方法的精彩介绍。 我的方法与Denny和Yoon Kim的原始论文[1]相似。 您也可以在找到Yoon Kim的实现。 ***更新***-2019年12月15日：版本0.2.0的更改 我已将代码更新为TensorFlow2。此外，我在jupyter笔记本中进行了一些更改： 删除Yelp数据集 为IMDB添加TensorFlow数据集 ***更新***-2019年5月17日：0.1.0版中的更改 模型： 将字级与基于字符的输入相结合。 char输入ist是可选的，可以用于进一步

face-py-faster-rcnn, 基于 R CNN的人脸检测 基于高速cnn的实时人脸检测这个库包含了使用更快的r cnn的人脸检测源文件。 它是基于出色的py-faster-rcnn 库开发的。有关技术细节，请参阅这里的technial报告 。 快速r-cnn最初描述在 NIPS 2015纸 。

基于numpy的卷积神经网络的手写实现，准确率超98%高精度实现，适合新手加深对CNN内部结构实现的理解。主要模块实现在block中。torchvision用于加载MNIST数据集，也可以自定义数据集。

matlab的egde源代码卷积神经网络实用 由Andrea Vedaldi和Andrew Zisserman撰写的牛津视觉几何学小组的实用计算机视觉。 从doc/instructions.html开始。 请注意，此实用程序需要编译（包括）MatConvNet库。 这应该自动发生（请参阅setup.m脚本），但是请确保在实验室计算机上编译成功。 包装内容 该实践包括以下四个文件中组织的四个练习： exercise1.m第1部分：CNN基础 exercise2.m第2部分：衍生物和反向传播 exercise3.m第3部分：学习小型CNN exercise4.m第4部分：学习CNN识别字符 exercise5.m 5.m-第5部分：使用预先训练的CNN 实用程序在MATLAB中运行并使用。 该软件包包含以下MATLAB函数： extractBlackBlobs.m ：从图像中提取黑色斑点。 tinycnn.m ：实现一个非常简单的CNN。 initializeCharacterCNN.m ：初始化CNN以识别字符。 decodeCharacters.m ：可视化字符CNN的输出。 imsm

深度学习是机器学习的一个子集，旨在用类似于人类的逻辑持续分析数据。 它使用称为人工神经网络 (ANN) 的算法的分层结构。 它们主要用于医学诊断，以做出疾病预测、机器人手术和放射治疗等关键决策。 疾病预测包括识别和分类阿尔茨海默病。 它是痴呆症的最常见原因，影响全球约 4600 万人。 该病有几个阶段，分为轻度和重度。 症状包括记忆信息的能力下降、口语和写作能力下降。 许多机器学习算法技术如决策树分类器、独立分量分析、线性判别分析（LDA）被用来根据疾病的阶段预测疾病，但识别信号阶段的精度并不高。 在这项工作中，提出了一种基于深度学习的技术，该技术通过使用卷积神经网络 (CNN) 来提高分类的准确性。 这项工作分析脑电图 (EEG) 信号，使用快速傅立叶变换 (FFT) 提取特征并通过 CNN 对疾病进行分类。

假新闻检测 参考相关作品，并根据越南文文章建立基于LSTM和CNN的虚假新闻检测模型。