针对深度学习中ResNet深度卷积神经网络与LeNet-5模型在图像识别、文字识别和语音识别等领域广泛应用，文中对两种模型的运行机理和方式进行了详细阐述，并对两者在实际应用中的表现进行了对比与分析。首先对两种模型的结构和设计分别进行了叙述，并指出了两种模型面对不同问题的优缺点，且为工程实践提供了指导。然后基于分析进一步对两种模型进行了重建和训练，以实现更优的性能。仿真结果表明，ResNet深度卷积神经网络相比LeNet-5模型在实际应用中具有更好的效果。

基于深度卷积神经网络的地震数据断层识别方法.pdf

深度卷积神经网络的基于脑电图情感识别的数据增强

深度卷积神经网络特征提取的数学理论 . pdf

基于深度卷积神经网络的SAR 图像舰船小目标检测

直流神经网络 Conneau提出的用于文本分类的超深度卷积神经网络的Tensorflow实现。 现在已使用Tensorflow 2和tf.keras支持正确重新实现了VDCNN的体系结构。 根据实施一个简单的培训界面。 随意贡献其他实用程序，例如TensorBoard支持。 旁注，如果您是NLP文本分类的新手： 请检出新的SOTA NLP方法，例如或 。 检出以获得更好的动态绘图和数据集对象支持。 当前的VDCNN实现也非常容易移植到PyTorch上。 先决条件 Python3 Tensorflow> = 2.0 张量流数据集 麻木 数据集 原始论文测试了多个NLP数据集，包括D

基于深度卷积神经网络的人脸识别研究：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。

深度卷积神经网络CNN的Theano实现（lenet），还包括一个单独的卷积层网络

剩余使用寿命（RUL）预测在预测和健康管理（PHM）中起着至关重要的作用，以提高可靠性并降低众多机械系统的周期成本。 深度学习（DL）模型，尤其是深度卷积神经网络（DCNN），在RUL预测中正变得越来越流行，从而在最近的研究中取得了最新的成果。 大多数DL模型仅提供目标RUL的点估计，但是非常需要为任何RUL估计具有关联的置信区间。 为了改进现有方法，我们构建了一个概率RUL预测框架，以基于参数和非参数方法来估计目标输出的概率密度。 模型输出是对目标RUL的概率密度的估计，而不仅仅是单点估计。 所提出的方法的主要优点是该方法自然可以提供目标预测的置信区间（不确定性）。 我们通过一个简单的DCNN模型，在公开可用的涡轮发动机退化模拟数据集上验证了我们构建的框架的有效性。 源代码将在https://github.com/ZhaoZhibin/Probabilistic_RUL_Prediction中发布。

笑脸 笑脸检测与使用卷积深层神经网络 。 本示例基于mnist_cnn.py示例，以32x32（而不是28x28）运行。 要编译ZMQVideoInput应用，需要 。 如果要使用OpenCV运行实时捕获，并且正在使用OS X，我建议通过使用Python，并通过以下方式安装OpenCV： conda install -c https://conda.anaconda.org/menpo opencv3