参考： CNN系列模型发展简述（附github代码——已全部跑通） – KevinCK的文章 – 知乎 https://zhuanlan.zhihu.com/p/66215918 演变 LeNet：2个卷积3个全连接，最早用于数字识别 AlexNet：12年ImageNet冠军，5个卷积3个全连接，多个小卷积代替单一大卷积；使用ReLU激活函数，解决梯度小数问题；引入dropout避免模型过拟合；最大池化。 ZF-Net：13年ImageNet冠军，只用了一块 GPU 的稠密连接结构；将AlexNet第一层卷积核由11变成7，步长由4变为2。 VGG-Nets：14年ImageNet分类第二名

使用说明，参考：https://www.jianshu.com/p/8db0dd959897

目录 一、何为目标检测 二、如何做到目标检测 三、R-CNN 引入 R-CNN的缺点有哪些 四、Fast R-CNN 引入 Fast R-CNN比R-CNN优化的地方，以及其依旧存在的问题 五、Faster R-CNN 引入 网络结构 网络训练 RPN网络训练 总体流程 RPN网络标签的生成 RPN网络LOSS Faster R-CNN网络训练 一、何为目标检测 给你一张图片，告诉我图里有什么？在哪？ 二、如何做到目标检测         学过深度学习的都知道已经事情，一个深度神经网络就是一个巨大的函数，给它输入，它给你输出，相信很多读者都自己构建过深度神经网络并在MNIST手写数字数据集上

卷积神经网络(CNN)入门总结-基于tensorflow2 包含CNN原理、已经在tf2中如何实现 CSDN文章地址：https://blog.csdn.net/zzpl139/article/details/127552177 在线运行地址：https://www.heywhale.com/mw/project/63410e26dfae0249677f85b0 数据地址：https://github.com/garythung/trashnet 数据地址2：https://www.heywhale.com/mw/dataset/5d1578e4708b90002c6a3238

1.CNN基础结构 2.卷积操作细节讲解 3.图像基础知识 4.池化操作 可以不可以模仿人类大脑的这个特点，构造多层的神经网络，较低层的识别初级的图像特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类呢？ 答案是肯定的，这也是许多深度学习算法（包括CNN）的灵感来源

利用CNN_LSTM_ATTENTION模型对寿命的预测

基于tensorflow和keras的cifar10图像分类源码，5星级源码

本代码基于MATLAB2020平台搭建多输入单输出手写数字字体识别，B站有视频讲解哦~

1.领域：matlab，语音MFCC特征提取，CNN深度学习训练实现语音识别 2.内容：语音MFCC特征提取并通过CNN深度学习训练实现语音识别+matlab操作视频 3.用处：用于语音MFCC特征提取，CNN深度学习训练实现语音识别算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

ICCV2015 tutorial convolutional feature maps Kaiming He ICCV 2015 CNN 卷积神经网络 目标检测 教程 何凯明