CNN加速器 卷积神经网络加速器硬件单元 CNN加速器的卷积和池化层算法的详细设计。 该系统适用于灰度图像（每个像素的范围在0到255之间）。 该项目的主要目标是构建加速器模块。

mnist分类 使用多种方法完成MNIST分类任务 Python 3.6 火炬1.0 Scikit学习0.21 无需下载数据直接跑，代码自动下载 模型 逻辑回归Logistic回归 多层感知机 K近邻KNN 支持向量机 卷积神经网络 循环神经网络 实验报告 见mnistClassification.pdf 对应的latex原始码： :

嵌入式CNN 使用SDSOC和Xilinx Ultrascale +平台在嵌入式OS中部署CNN加速器。 平台 SDx：2018.1 电路板：Xilinx Ultrascale + ZCU 102 FPGA系统 数据类型：现在只有float16！ 工作频率：300MHz 数据运动网络频率：300MHz 版本 转换v0.0： 这个版本需要很长时间（大约11秒）。 由于某些转换层中的参数无法完全加载到片上mem中，因此必须从DDR多次读取它们到FPGA。 因此，在数据通信上花费大量时间。 转换v0.1： 此版本需要9秒钟才能运行转换层。 与conv.v0.0相比，权重缓冲区更大，可以将更多权重读取到片上mem中。 对于conv1 / conv2 / conv3，所有权重都可以一次加载到片上mem中。 对于conv4 / conv5，权重缓冲区一次只能读取1/4权重。 因此，在conv

Matlab CNN代码详解可解释的卷积神经网络 python代码已在发布，尽管我的研究小组未实现该代码。 下面的Matlab代码是与论文对应的原始代码。 介绍 本文提出了一种将传统卷积神经网络（CNN）修改为可解释的CNN的方法，以阐明CNN的高卷积层中的知识表示。 在可解释的CNN中，高转换层中的每个过滤器代表某个对象部分。 我们不需要对象部分或纹理的任何注释来监督学习过程。 相反，可解释的CNN在学习过程中会自动在高转换层中为每个过滤器分配一个对象部分。 我们的方法可以应用于具有不同结构的不同类型的CNN。 可解释的CNN中清晰的知识表示可以帮助人们理解CNN内部的逻辑，即，基于CNN做出决定的模式。 实验表明，可解释的CNN中的过滤器比传统CNN中的过滤器在语义上更有意义。 引文 如果使用此代码，请引用以下两篇论文。 张全世，吴应年和朱松春，“可解释的卷积神经网络”，在CVPR 2018中 张全石，王鑫，吴应年，周慧琳和朱松春，“可移植的CNN用于对象分类”，《 IEEE模式分析和机器智能交易》，2020年。DOI：10.1109 / TPAMI.2020.2982882 代码

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