使用一维卷积神经网络处理序列数据，数据类型为一维

现有基于卷积神经网络（CNN）的恶意代码分类方法存在计算资源消耗较大的问题。为降低分类过程中的计算量和参数量，构建基于恶意代码可视化和轻量级CNN模型的恶意软件家族分类模型。将恶意软件可视化为灰度图，以灰度图的相似度表示同一家族的恶意软件在代码结构上的相似性，利用灰度图训练带有深度可分离卷积的神经网络模型 Mobilenet v2，自动提取纹理特征，并采用 Softmax分类器对恶意代码进行家族分类。实验结果表明，该模型对恶意代码分类的平均准确率为99.32%，较经典的恶意代码可视化模型高出2.14个百分点。

卷积神经网络CNN手写数字图像识别

为提高信用风险评估的准确性，基于互联网行业的用户行为数据，提出一种基于长短期记忆（LSTM）神经网络和卷积神经网络（CNN）融合的深度神经网络个人信用评分方法。对每个用户的行为数据进行编码，形成一个包括时间维度和行为维度的矩阵，通过融合基于注意力机制的LSTM模型和CNN模型2个子模型，从用户原始行为数据中提取序列特征和局部特征。在真实数据集上的实验结果表明、该方法的KS指标和AUC指标均优于传统的机器学习方法和单一的LSTM卷积神经网络方法，证明了该方法在个人信用评分领域的有效性和可行性。

（英语） 这个demo展示了如何实现卷积神经网络（CNN）对多输入的图像分类。例如，一个名为MNIST的手写数字数据集被分为上半部分和下半部分，如下图所示，上下半部分部分被送入多输入CNN。 （日本人） 这是一个卷积神经网络的演示，可以输入两种类型的图像。 有两个输入层，例如，输入层A用于输入动物面部图像，输入层B用于输入动物爪子图像，以此类推。 从 2019b 版本开始，一种称为自定义循环的方法成为可能，允许对深度学习进行更详细的自定义。为了方便尝试，手写数字的上半部分和下半部分分别从不同的输入层输入，将卷积等后得到的特征组合起来，用全连接层等进一步推进计算。 .如果您能告诉我您对此示例是否有任何更合适的数据或问题，我将不胜感激。还有一些地方还欠缺制作，希望以后继续更新。

基于tensorflow、CNN、清华数据集THUCNews的新浪新闻文本分类-附件资源

基于deap数据集，采用了卷积神经网络（CNN）和长短期记忆神经网络等四种模型进行对比，并结合pyeeg进行特征提取，最终准确率达到了90

embeded_cnn STM32f0上的卷积神经网络

2D-CNN向前传播 在Vitis HLS中使用C ++实现2D卷积神经网络 CNN-使用-HLS 目录结构： 该软件包包含以下目录： modules /-用于开发和测试用于CNN实施的单个HLS功能的目录 neuronetwork_stream /-包含C ++源代码和测试平台的目录 py /-包含用于训练神经网络的python代码的目录 使用的软件： 操作系统：Windows Vivado HLS 2020.2-仿真结果与综合 Python库 numpy-版本1.18.0 tensorflow-版本2.1.0 sklearn-版本0.24.1 scipy-版本1.6.2

基于卷积神经网络的链接表示及预测方法