采用一维CNN神经网络算法，对西储大学轴承数据集，最终得到的准确率不低于99.5%，且灵活，根据个人想法，随意调整训练集测试集的比例，这是我2021年的故障诊断大作业，从开始学习到最终搞定花了不少时间。 另外，附上我的程序与报告。

前段时间学习了BP网络和CNN网络，做了一些笔记，整理了相关公式推导，以及一些扩展，算是比较全面的深度学习入门资料啦~

利用基于tensorflow2的keras框架，搭建CNN卷积神经网络模型，对手写数字识别数据集mnist进行分类，网络规模小，训练精度高。网络包括三个卷积层，两个池化层和全连接层，在测试集上实现了99%左右的识别率。

文件包括数据集，运行结果，权重文件，检查点文件，源代码，执行fashion_sequential_model文件可运行。注意我用TensorFlow2.1编写。修改路径即可运行，还有10张图片，你可以调试程序测试预测效果。可以参考中国慕课TensorFlow笔记，北大课程学习。

卷积神经网络CNN是深度学习的一个重要组成部分，由于其优异的学习性能（尤其是对图片的识别）。近年来研究异常火爆，出现了很多模型LeNet、Alex net、ZF net等等。由于大多高校在校生使用matlab比较多，而网上的教程代码基本都基于caffe框架或者python，对于新入门的同学来说甚是煎熬，所以本代码采用matlab结合MNIst手写数据库完成对手写数字的识别。本人水平有限，如有纰漏，还望各路大神，帮忙指正。

本文为大家讲解了pytorch实现CNN卷积神经网络，供大家参考，具体内容如下 我对卷积神经网络的一些认识     卷积神经网络是时下最为流行的一种深度学习网络，由于其具有局部感受野等特性，让其与人眼识别图像具有相似性，因此被广泛应用于图像识别中，本人是研究机械故障诊断方面的，一般利用旋转机械的振动信号作为数据。     对一维信号，通常采取的方法有两种，第一，直接对其做一维卷积，第二，反映到时频图像上，这就变成了图像识别，此前一直都在利用keras搭建网络，最近学了pytroch搭建cnn的方法，进行一下代码的尝试。所用数据为经典的minist手写字体数据集 import torch im

本文研宄并实现了一个车牌自动识别系统，该系统由车牌定位模块、字符分割模块、卷积神经网络识别模块三个部分组成。首先本文主要利用Ｔｅｎｓｏｒｆｌｏｗ开发平台，搭建ＣＮＮ卷积神经网络，通过采集到的车牌图片训练神经网络，使得系统具有较好的车牌识别图片能力。其次在车牌识别的嵌入式系统硬件实现部分，本文具体研究了利用ＳＴＭ３２ＭＰ１５７嵌入式芯片搭建车辆识别嵌入式系统外围电路的设计与原理，以及如何利用ＳＴＭ３２ＣＵＢＥ－ＡＩ软件将训练好的ＣＮＮ神经网络部署到嵌入式平台中，实时进行车牌识别。最后通过试验得到了识别结果，并达到了预期的效果，分析出了相应的车牌号。本文的主要工作与创新之处总结如下：１．对车牌自动识别技术的发展现状做了全面深入的调研与总结概括，将其分为车牌定位、字符分割、字符识别、免分割车牌识别四个阶段。明确了每个阶段的主流方法以及它们的优缺点２．提出了基于ＣＮＮ卷积神经网络的车牌定位方案３．设计并实现了一个简便的嵌入式车牌自动识别系统，并使用自有的数据集对该系统进行了测试。系统在识别速度和识别准确率两方面都达到了符合预期的表现。实验结果表明，与其他单函数方法相比，卷积神经网络方法具有较高的精度和较低的漏测率。同时在图像识别精度和车牌定位精度上有很大的提高。此外，与现有车辆识别系统对比，本文提出的设计方案，在确保较高的准确率和识别率的同时大幅降低了整体方案的硬件成本。

《DeepLearning tutorial》的代码，含详细流程及代码实现，将CNN用于人脸识别。

卷积神经网络 ppt学习资料

CNN卷积神经网络实现手写数字识别，Matlab+minist数据集都有，在matlab上可直接运行，新手友好，亲测可用。