本篇文章主要介绍了用tensorflow搭建CNN的方法，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧

卷积神经网络LeNet5 C语言源码，可以更改成自己的模型。

AutoBlur_CNN_Features 基于以下代码： ： 脚本，用于提取具有不同ConvNet的CNN深度特征，然后将其用于具有线性核的SVM分类器的图像分类任务，涉及以下小型数据集：足球[1]，飞鸟[2]，17flowers [3]，ImageNet-6Weapons [4]和ImageNet-7节肢动物[4]。 使用VGG16提取的功能或MobileNet进入SVM分类器。 允许比较使用完整图像或使用AutoBlur方法过滤之间的差异 随代码一起提供了Soccer数据集，因此可以轻松对其进行测试： 足球：原始图像 SoccerAutoBlurBB：应用AutoBlur过滤技术并使用相应的边界框裁剪后的原始图像 参考： [1]范德·韦耶尔（J. van de Weijer），施密德（C. Schmid），着色局部特征提取，Proc.Natl.Acad.Sci.USA。

很全面，很深刻的卷积神经网络（CNN）原理讲解。

matlab中批量导入图像代码 消息： 最先进的降噪性能 可用于即插即用的图像恢复 -18/12/2019 I recommend to use the PyTorch code for training and testing. The model parameters of MatConvnet and PyTorch are same. 合并批量归一化（PyTorch） import torch import torch . nn as nn def merge_bn ( model ): ''' merge all 'Conv+BN' (or 'TConv+BN') into 'Conv' (or 'TConv') based on https://github.com/pytorch/pytorch/pull/901 by Kai Zhang (cskaizhang@gmail.com) https://github.com/cszn/DnCNN 01/01/2019 ''' prev_m = None for k , m in list ( model . named_ch

使用深度学习检测疟疾 :mosquito: :microbe: 参与者的Hack 2020是一项计划，可帮助学生利用OPEN SOURCE成长。 HakinCodes的这项倡议通过为各种各样的OPEN SOURCE项目做出贡献以及与导师和组织团队进行互动的机会，为您提供了一个最佳平台，以提高您的技能和能力。 :pushpin: 介绍 该机器学习Web应用程序利用两层卷积神经网络来处理细胞图像，并以近95％的准确度预测它们是否为疟疾。 用于处理深度学习算法的来自美国国家医学图书馆的官方NIH网站，该网站是来自疟疾筛查研究活动的稀薄血液涂片图像中分段细胞的存储库。 :bullseye: 项目目的 在疟疾不再流行的地方（例如在美国），医疗保健提供者可能对该疾病不熟悉。 看到疟疾患者的临床医生可能会忘记在潜在的诊断中考虑疟疾，而不订购所需的诊断测试。 实验室工作人员可能缺乏疟疾经验，并且在显微镜下检查血液涂片时无法发现寄生虫。 疟疾是一种急性发热性疾病。

脑年龄预测 最后一年的项目-深度学习CNN预测大脑年龄

卷积神经网络细节讲解，其中对CNN的各个基本组件进行了充分的论述。还有讲解了dropout，以及如何理解dropout,最后对目前存在的典型的CNN架构进行了很详细的讲解，不管你是有经验的，还是新手，都可以从中得到一些启发

利用PyTorch实现卷积神经网络LeNet-5，详情可参考博客：https://blog.csdn.net/didi_ya/article/details/121289390

UTKFaceCNN 此回购是使用标准CNN骨干进行年龄，性别和种族预测的工作。