大数据蕴含大发展，结合不断提升的高性能计算机更是给机器视觉技术带来日新月异的发展。深度卷积神经网络也正是借着这股力量才大放异彩，其主要应用包括语音识别、图像处理、自然语言处理等。本文就当前大环境下研究了卷积神经网络模型在静态环境下入脸识别领域的应用。相对传统人脸识别方法而言，卷积神经网络模型不需要人工进行大量而又复杂的特征提取算法设计，仅需要设计一个可行的网络模型，再将大量的人脸训练数据集加载到网络模型中，然后进行自动训练，这样就可以得到很好的识别率。把训练好的模型保存下来，那么这个模型就是一个端到端的人脸特征提取器。该方法虽然操作简单，但是需要根据训练数据集设计合理的网络结构，而且最难的关键点是超参数的调整和优化算法的设计。因此本文结合残差网络和融合网络构建了两个与计算资源和数据资源相匹配的网络模型，并通过反复调整超参数和调试优化器使其在训练集上能够收敛，最终还取得较好的识别率。

浅层神经网络的缺陷 于是，20世纪90年代，有更多各式各样的浅层模型相继被提出，比如只有一层隐层节点的支撑向量机（SVM，Support Vector Machine）和Boosting，以及没有隐层节点的最大熵方法（例如LR，Logistic Regression）等，在很多应用领域取代了传统的神经网络。 显然，这些浅层结构算法有很多局限性：在有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定的制约。更重要的是，浅层模型有一个特点，就是需要依靠人工来抽取样本的特征。然而，手工地选取特征是一件非常费力的事情，能不能选取好很大程度上靠经验和运气。 能不能自动地学习一些特征呢？

使用 Ogata 的方法使用贝塞尔函数的零值对积分进行数值计算。 [1] H. Ogata，“基于贝塞尔函数的数值积分公式”， % 数学科学研究所的出版物，卷。 41，没有。 4，第 949-970 页，2005 年。

实验环境：tensorflow版本1.2.0，python2.7 介绍 关于空洞卷积的理论可以查看以下链接，这里我们不详细讲理论： 1.Long J, Shelhamer E, Darrell T, et al. Fully convolutional networks for semantic segmentation[C]. Computer Vision and Pattern Recognition, 2015. 2.Yu, Fisher, and Vladlen Koltun. “Multi-scale context aggregation by dilated convoluti

机器学习课程#MNIST数据集上的卷积神经网络实验，基于pytorch。包括：数据可视化、train训练代码与test测试代码。 都是包装好的代码，做实验只要修改其中指定行的代码即可。内置【说明文件.md】来帮助你更快地了解！！！

matlab循环卷积函数,使用矩阵实现，用于理解循环卷积。分2部分，一部分为循环移位，第二部分给矩阵赋值、计算循环卷积

1.框架采用tensorflow，是深度学习项目 2.源码用python 编写，完整有注释 3.可以运行 4.可以进行模型训练和处理 5.包含数据集 6.包含论文 论文目录如下： 1. 引言 2 1.1目的和意义 2 1.2研究领域现况 2 2. 原理及网络结构 2 2.1算法原理 2 2.2网络结构 2 3. 模型训练 2 3.1数据采集和处理 2 3.2实验方法 2 4. 实验结果及分析 2 5. 总结 2 参考文献 2

verilog实现卷积神经网络CNN，包括卷积层，Relu激活层，FC全连接层，pool池化层，输入图片需要满足28*28

基于verilog的CNN卷积神经网络实现，平台ISE，提供coe格式的权值参数。包括3个层，每一个层都有卷积层，池化层，激活层。需要设置rom核来调用coe文件。平台为ISE14.7

Python卷积神经网络人脸识别程序.rar