Pytorch:手把手教你搭建简单的卷积神经网络(CNN)，实现MNIST数据集分类任务
利用pytorch搭建简单卷积神经网络用于分类任务，适合初学者快速上手
一起学习用Verilog在FPGA上实现CNN----(七)全连接层设计
一起学习用Verilog在FPGA上实现CNN----全连接层设计
基于CNN卷积神经网络实现中文手写汉字识别
中国版的 MNIST 数据集是在纽卡斯尔大学的一个项目框架中收集的数据。一百名中国公民参与了数据收集工作。每个参与者用标准的黑色墨水笔在一张桌子上写下所有 15 个数字，在一张白色 A4 纸上画出了 15 个指定区域。这个过程对每个参与者重复 10 次。每张纸都以 300x300 像素的分辨率扫描。
【深度学习】CNN应用于图像分类的建模全流程
图像分类，也可以称作图像识别，顾名思义，就是辨别图像中的物体属于什么类别。核心是从给定的分类集合中给图像分配一个标签的任务。
FCN全卷积网络理解及代码实现（来自pytorch官方实现）
FCN是首个端对端的针对像素级预测的全卷积网络而换为卷积层之后，最后得到的是1000通道的2D图像，可以可视化为heat map图。一般说的vgg16是D：全连接操作前后：77512（通道）【假设忽略偏置】\color{red}{【假设忽略偏置】}【假设忽略偏置】全连接FC1计算：计算对应某一个结点
3DCNN概述及3DCNN与2DCNN的区别
对3DCNN有关知识进行了解和梳理。这篇博客主要介绍了3DCNN的概念、3DCNN工作原理以及3DCNN与2DCNN的区别。
基于chatGPT设计卷积神经网络
本文主要介绍基于chatGPT，设计一个针对骁龙855芯片设计的友好型神经网络。提问->跑通总共花了5min左右，最终得到的网络在Cifar100数据集上与ResNet18的精度对比如下。此外，GPT生成的模型训练速度更快，ResNet18才训练170个epoch，CNN-GPT已经完整地训练完了。
YOLOX优点介绍与解析，详细易懂。
YOLOX各个优点详解，让你一篇文章了解！
DC-UNet：重新思考UNet架构和双通道高效CNN医学图像
DC-UNet
Multi-head Self-attention（多头注意力机制）
Multi-head Self-attention（多头注意力机制）是怎么样的实现过程
【毕业设计】CNN谣言识别检测系统 - python 大数据
🔥 Hi，大家好，这里是丹成学长的毕设系列文章！🔥 对毕设有任何疑问都可以问学长哦!这两年开始，各个学校对毕设的要求越来越高，难度也越来越大… 毕业设计耗费时间，耗费精力，甚至有些题目即使是专业的老师或者硕士生也需要很长时间，所以一旦发现问题，一定要提前准备，避免到后面措手不及，草草了事。为了
基于卷积神经网络CNN的图片分类实现——附代码
使用Matlab自带的深度学习工具箱构建卷积神经网络（CNN）进行图片分类，以识别并分类手写数字为例。首先将大量的图片数据导入；然后给不同种类的图片打上对应的分类的标签，划分为训练集和测试集；构建CNN网络其中包括3层2维卷积和3个池化层，全连接层及分类层；调整好输入输出格式对CNN进行训练及测试；
基于Verilog搭建一个卷积运算单元的简单实现
基于Verilog实现卷积神的运算需要，有3个要素，图片信息、滤波器权值信息和大量的乘加运算，一个基本的卷积运算过程如图1所示，本博客是在前文（1. Vivado简单双端口RAM 使用，问题探析和基于verilog的CNN搭建缓存图片数据浅析）分析的基础上，系统的说明具体的实现过程，主要包括代码分析
fast-rcnn详解
FastR-CNN算法及训练过程R-CNN显著提升了目标检测算法的性能，但因为计算过于复杂，耗时很长，所以在实际的应用系统中，大都无法使用。经过分析可知，R-CNN的复杂性主要来自两个方面：一是需要针对大量的候选框分别进行计算；二是特征提取之后的分类器训练和位置回归，是几个独立步骤分别进行的。在训练
【综述】一文读懂卷积神经网络(CNN)
卷积神经网络是多层感知机(MLP)的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的细胞存在一个复杂的构造，这些细胞对视觉输入空间的子区域非常敏感，称之为感受野。CNN由纽约大学的Yann Lecun于1998年提出(LeNet-5)，其本质是一个多层感知机，成功的原因在
ResNet网络 残差块的作用
ResNet简单介绍 ResNet是15年提出的经典网络了。在ResNet提出之前，人们发现当模型层数提升到一定程度后，再增加层数就不再能提升模型效果了——这就导致深度学习网络看似出现了瓶颈，通过增加层数来提升效果的方式似乎已经到头了。ResNet解决了这一问题。 ResNet的核心思想就是引入了残
AAAI2023 | DeMT: CNN+Transformer实现多任务学习（分割/深度等）
本文结合了可变形CNN和query-based 的Transformer优点，提出了一种新的MTL模型，用于密集预测的多任务学习，基于简单有效的编码器-解码器架构（即，可变形混合器编码器和任务感知transformer解码器），称之为DeMT。
CNN经典网络模型（五）：ResNet简介及代码实现（PyTorch超详细注释版）
CNN经典网络模型之一：ResNet，本文包含其简介及代码，在PyTorch中实现，进行超详细注释，适合新生小白阅读学习~
CNN+LSTM+Attention实现时间序列预测(PyTorch版)
本专栏整理了《深度学习时间序列预测案例》，内包含了各种不同的基于深度学习模型的时间序列预测方法，例如LSTM、GRU、CNN（一维卷积、二维卷积）、LSTM-CNN、BiLSTM、Self-Attention、LSTM-Attention、Transformer等经典模型，包含项目原理以及源码，每一
Python CNN卷积神经网络实例讲解，CNN实战，CNN代码实例，超实用
Python CNN卷积神经网络实例讲解，CNN实战，CNN代码实例，套用简单
