CNN_with_CAES_and_DQN是卷积神经网络的组合，其中卷积自动编码器（堆叠式）与深度Q网络相结合。C++代码基于tiny_cnn。
暂无评论
大数据成就未来 卷积神经网络CNN 深度学习 深度学习发展历程[TensorFlow实战google深度学习框架] 1. 感知机网络解决线性可分问题20世纪40年代 2. BP神经网络解决线性不可分问
此数据集相对来说较大,所以代码中 并没有完全应用全部数据,只是从中选取了一部分。大家在做的时候可以进行选取,也可以全部应用 但是要处理测试集数据。
卷积神经网络CNN识别图像集Cifar10，使用JupyterNotebook编写的Python代码，含建模及测试，代码注释清晰，十分适合新手
由浅到深的全面介绍卷积神经网络的结构，非常适合刚刚入门和有一定基础的人员查阅，相信一定会受益匪浅。
ＯＳＭ数据中立交桥结构的识别和分类，能够为构建多尺度模型、导航和位置服务、拥堵分析等提供重要信息。传统的立交桥识别方法依赖于人工设计的低层次特征，无法有效区分存在干扰路段的复杂立交桥结构。本文针对当前
本文将介绍python代码实现卷积神经网络(CNN)的基本原理和应用领域。首先，我们将简要介绍CNN的基本原理，包括卷积层、池化层、全连接层以及激活函数等。然后，我们将通过示例代码详细说明如何使用py
LECUN初始源代码，用matlab进行修改基于卷积神经网络（CNN）进行数字识别，基于MNIST数据库。附带一篇烂到渣的论文，基本有个清晰的思路吧！
《DeepLearning tutorial》的代码,含详细流程及代码实现,将CNN用于人脸识别。
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~
介绍了利用卷积神经网络进行遥感解译的方法与过程，是不错的资源
暂无评论