作为一个十余年来快速发展的崭新领域，深度学习受到了越来越多研究者的关注，它在特征提取和建模上都有着相较于浅层模型显然的优势．深度学习善于从原始输入数据中挖掘越来越抽象的特征表示，而这些表示具有良好的泛化能力．它克服了过去人工智能中被认为难以解决的一些问题．且随着训练数据集数量的显著增长以及芯片处理能力的剧增，它在目标检测和计算机视觉、自然语言处理、语音识别和语义分析等领域成效卓然，因此也促进了人工智能的发展．深度学习是包含多级非线性变换的层级机器学习方法，深层神经网络是目前的主要形式，其神经元间的连接模式受启发于动物视觉皮层组织，而卷积神经网络则是其中一种经典而广泛应用的结构．卷积神经网络的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度，减少训练参数的数目，使模型对平移、扭曲、缩放具有一定程度的不变性，并具有强鲁棒性和容错能力，且也易于训练和优化．基于这些优越的特性，它在各种信号和信息处理任务中的性能优于标准的全连接神经网络．该文首先概述了卷积神经网络的发展历史，然后分别描述了神经元模型、多层感知器的结构．接着，详细分析了卷积神经网络的结构，包括卷积层、池化层、全连接层，它们发挥着不同的作用．然后，讨论了网中网模型、空间变换网络等改进的卷积神经网络．同时，还分别介绍了卷积神经网络的监督学习、无监督学习训练方法以及一些常用的开源工具．此外，该文以图像分类、人脸识别、音频检索、心电图分类及目标检测等为例，对卷积神经网络的应用作了归纳．卷积神经网络与递归神经 网络的集成是一个途径．为了给读者以尽可能多的借鉴，该文还设计并试验了不同参数及不同深度的卷积神经网络来分析各参数间的相互关系及不同参数设置对结果的影响．最后，给出了卷积神经网络及其应用中待解决的若干问题

基于卷积神经网络（CNN）的肺结节自动检测的深度学习模型

这种用于识别手写数字的基于CNN的模型在训练12个时期之后获得99.2％的验证准确度。 它在Kaggle的MNIST数据集上训练

LeNet5神经网络模型在手写数字识别中的识别率很高，通过训练得到0.985精度的参数，可以用于训练更高精度的初始参数。其中卷积核选择表(O：true， X: false)： { O, X, X, X, O, O, O, X, X, O, O, O, O, X, O, O, O, O, X, X, X, O, O, O, X, X, O, O, O, O, X, O, O, O, O, X, X, X, O, O, O, X, X, O, X, O, O, O, X, O, O, O, X, X, O, O, O, O, X, X, O, X, O, O, X, X, O, O, O, X, X, O, O, O, O, X, O, O, X, O, X, X, X, O, O, O, X, X, O, O, O, O, X, O, O, O };

CNNIQA 以下论文的PyTorch 1.3实施： 笔记 在这里，选择优化器作为Adam，而不是本文中带有势头的SGD。 data /中的mat文件是从数据集中提取的信息以及有关火车/ val /测试段的索引信息。 LIVE的主观评分来自。 训练 CUDA_VISIBLE_DEVICES=0 python main.py --exp_id=0 --database=LIVE 训练前， im_dir在config.yaml被指定必须的。 可以在config.yaml设置数据库内实验中的Train / Val / Test拆分比率（默认值为0.6 / 0.2 / 0.2）。 评估 测试演示 python test_demo.py --im_path=data/I03_01_1.bmp 交叉数据集 python test_cross_dataset.py --help TODO：

【手写数字识别】基于卷积神经网络CNN实现手写数字识别分类matlab源码

本资源为深度学习交通流量预测的实战项目，其中包含了用LSTM，GRU以及CNN来进行流量预测的相关源码，整个项目的过程集数据预处理、模型训练与测评，性能展示于一体，代码结构良好，易于阅读，且在CSDN有本人相应的博客说明。

卷积神经网络代码Matlab 人工神经网络 使用空间光谱深度残差卷积神经网络（HSID-CNN）的用于高光谱图像降噪的Matlab演示代码，IEEE TGRS，2019。 By Qiang Zhang (whuqzhang@gmail.com) Wuhan University, China. 如果您在工作中使用/适应我们的代码（作为独立工具或任何算法的组成部分），请引用我们的论文。 Q. Yuan，Q. Zhang，J。Li，H。Shen和L. Zhang ，“使用空间光谱深度残差卷积神经网络进行高光谱图像降噪”， IEEE地理科学与遥感学报，第1卷。 57号2，第1205-1218页，2019年。 @ARTICLE{yuan2019, author={Q. {Yuan} and Q. {Zhang} and J. {Li} and H. {Shen} and L. {Zhang}}, journal={IEEE Trans. Geosci. Remote Sens.}, title={Hyperspectral Image Denoising Employing a Spatial

这个PPT是最近做的一次卷积神经网络和目标检测识别的调研报告，包括读的几篇顶级会议期刊的论文，分为以下内容： （1）卷积神经网络的基本概念和发展脉络； （2）卷积神经网络的优化改进； （3）目标检测相关数据库和研究进展。 PPT做的优点粗糙，见谅。。。整个PPT最后的参考文献是最重要的。

VGG16权重文件vgg16_weights_tf_dim_ordering_tf_kernels.h5的百度网盘下载链接，文件较大从GitHub国内下载速度很慢要两个小时，提供网盘资源需要请下载。