使用TensorFlow实现卷积神经网络的手写字符识别，可重新训练网络

信号与线性系统分析实验- 信号卷积实验实验报告 - 实验内容与matlab仿真

来自于excelhome论坛，整合了excelvba编程

一共４卷，我花了１６分一个一个下载，然后打包在一起了。

SpConv：PyTorch空间稀疏卷积库 这是一个空间稀疏的卷积库，例如但速度更快且易于阅读。 该库提供稀疏卷积/转置，子流形卷积，逆卷积和稀疏maxpool。 2020-5-2，我们在此版本的spconv中添加了ConcatTable，JoinTable，AddTable和Identity函数，以构建ResNet和Unet。 码头工人： docker pull scrin/dev-spconv ，包含python 3.8，cuda 10.1，鱼壳，最新的pytorch和tensorflow。 在Ubuntu 16.04 / 18.04上安装 如果您使用的是pytorch 1.4+，并且遇到“ nvcc致命：未知-Wall”，则需要转到割炬软件包目录并在Caffe2Targets.cmake的INTERFACE_COMPILE_OPTIONS中删除包含“ -Wall”的标志。 此项

用于训练Submanifold稀疏卷积网络的Torch/PyTorch库

资源包含文件：设计报告word+源码+演示PPT 对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。 详细介绍参考：https://blog.csdn.net/newlw/article/details/125167714

卷积空间传播网络 程新京，王鹏，关晨烨，杨瑞刚 内容 介绍 此回购协议包含针对深度完成和立体深度估计而训练的CSPN模型，如“ ”和“”中所述 我们在这里提供两种实现。 首先，我们通过Pytorch实施了一个简单的2D CSPN，将“异地”和“转换”操作结合在一起。 然后，我们通过CUDA提供了更有效的2D / 3D CSPN实施，并将它们集成到PaddlePaddle中，从而更加稳定和易于使用。 引文 如果您在研究中使用此方法，请引用： @inproceedings{cheng2018depth, title={Depth estimation via affinity learned with convolutional spatial propagation network}, author={Cheng, Xinjing and Wang, Peng and Yang,

  深度神经网络（DNN）在各种任务中取得了前所未有的成功，但是，这些模型性能直接取决于它们的超参数的设置。在实践中，优化超参数仍是设计深度神经网络的一大障碍。在这项工作中，我们建议使用粒子群优化算法（PSO）来选择和优化模型参数。在MNIST数据集上的实验结果显示：通过PSO优化的CNN模型可以得到不错的分类精度，此外，PSO 还可以提高现有模型结构的性能，PSO是自动化超参数选择和有效利用计算资源的有效技术。 针 对CＮＮ 算法的收敛速度较慢、过 拟合 等问题, 文章提出一种基于PSO和 CNN 模型的图像分类方法，在分析完CNN各超参数对其性能的影响后，引入 PSO 算法进行寻优以增强CNN网络模型的特征提取能力,模型将CNN算法中需要训练的参数作为粒子进行优化，将 更 新 的 参 数 用 于ＣＮＮ 算 法 的 前 向 传播，调整网络连接权矩阵迭代，直到误差收敛，停止算法，以达到最终的模型优化。

中国象棋棋子定位采用的传统图像处理方法，复杂度高；识别棋子采用的传统文字识别方法，泛化性较差、精确度较低。提出一种基于棋子颜色特征的分割方法和改进的二值图像滤波算法，实现了棋子的快速定位，不需要二次修正位置；提出一种基于卷积神经网络的棋子识别方法，该方法可以应用于不同字体的棋子识别，在更换棋子的情况下，依然可以快速、准确地识别棋子。实验结果表明，该方法的定位误差为0.51 mm，平均定位时间0.212 s，对4类字体的平均棋子识别准确率为98.59%左右，证实了该方法的有效性和实用性。