纯verilog实现CNN卷积网络,包括卷积层，池化层，全连接FC层,vivado2019.2开发，含testbench

本文从一个不一样的角度阐述了傅里叶级数和卷积的关系以及负频率的意义并配备三维图像方便读者理解。

基于卷积神经网络的视频监控人脸识别方法.pdf

卷积神经网络实现手写数字识别代码 保真，配有实验方案说明

卷积神经网络实现图片分类（CIFAR-10） 保真，主页有实验说明文章，可以相互参考

本文来自于csdn，本文首先简单介绍CNN的结构，并不作详细介绍.然后讲解反向传播理论。本文只要讲解CNN的反向传播，CNN的反向传播，其实并不是大多所说的和全连接的BP类似，CNN的全连接部分的BP是与它相同，但是CNN中卷积--池化、池化--卷积部分的BP是不一样的，仔细推导，还是有很多细节地方需要思考的，比如1、在前向传播的过程中，卷积层的输入，是通过卷积核与前一层的输出特征图卷积得来的，那么在反向传播的过程中该怎么处理？这个就与全连接神经网络不同了。2、由于在前向传播的时候，池化层会对前一层卷积层进行放缩，那么从池化层到卷积层BP的时候，小尺度的池化层怎么把误差反传到大尺度的卷积层（这

基于深度卷积特征的细粒度图像分类研究综述

基于卷积神经网络的微博情感倾向性分析

世界移动通信网络 多小波卷积神经网络研究 环境： conda创建--name dwtcnn python = 3.6 conda激活dwtcnn conda安装scipy == 1.5.2 conda安装matplotlib == 3.3.4 conda安装tensorflow == 1.15.0 conda安装keras == 2.3.1

多层前向卷积神经网络Python代码。Theano的CNN代码