超简明网课的CNN经典代码，实现了LeNet-5结构，相关博文链接可以参考如下：「https://blog.csdn.net/u013684446/article/details/105575942」。代码质量高，下载后直接运行即可

Deepvoice3_pytorch 基于卷积网络的文本到语音合成模型的PyTorch实现： ：深度语音3：通过卷积序列学习将文本转换为语音。 ：基于深度卷积网络并具有指导性注意力的高效可训练的文本语音转换系统。 音频示例可从。 民间 ：具有WORLD声码器支持的DeepVoice3。 在线TTS演示 可以在上执行的笔记本可用： 强调 卷积序列到序列模型，用于文本到语音合成 DeepVoice3的多扬声器和单扬声器版本 音频样本和预训练模型 用于 ， 和数据集以及兼容的自定义数据集（JSON格式） 取决于语言的英语和日语前端文本处理器 样品 预训练模型 注意：预训练的模型与母版不兼容。 即将更新。 网址 模型 数据 超参数 Git提交 脚步 深度语音3 LJSpeech 64万 Nyanko LJSpeech builder=nyanko,preset=nyanko_ljspeech 585k 多扬声器DeepVoice3 VCTK builder=deepvoice3_multispeaker,preset=deepvoice3_vctk 300k

超分辨率matlab代码FSRCNN 使用PyTorch的FSRCNN的非官方实现。 脚步 运行data_aug.m以增加训练集。 运行generate_train.m和generate_test.m为数据加载器生成h5文件。 （请注意，您可能需要在matlab代码中更改其他图像源的路径） 运行main.py 要求 python> = 3.4 火炬> = 0.4 火炬视觉 张量流 参考 朝东，陈改来，唐小鸥。 在2016年欧洲计算机视觉会议（ECCV）的议事录中加速超分辨率卷积神经网络

卷积神经网络调优相关资料 深度学习调优技巧 包括一些网页的整理以及 魏秀参CNN book trick深度学习调参技巧

基于卷积神经网络的图像识别-附件资源

压缩感知l1重建算法matlab代码[用于压缩感知恢复的贝叶斯卷积神经网络]。 介绍 贝叶斯卷积神经网络（BCNN）是一种新的压缩感知（CS）恢复算法，它结合了卷积神经网络（CNN）和贝叶斯推理方法。 在本文中，我们显示出在重建结果方面的显着改进，优于传统的结构化压缩传感（SCS）算法和基于ReconNet，DR2Net和LDAMP等神经网络的恢复方法。 此处提供的代码有助于重现本文中介绍的某些结果。 引文（BibTex）： 如果您正在使用此代码，请引用以下论文。 @artical{BCNNs, author = {Xinjie Lan and Xin Guo and Kenneth E. Barner}, title = {Bayesian Convolutional Neural Networks for Compressed Sensing Restoration}, booktitle = {arVix:1811.04356}, month = {Nov.}, year = {2018} } 系统要求： 该软件已经在Matlab R2018a上进行了测试。 使用BCNN从CS测

python写的卷积神经网络进行图片分类，spyder中运行有效，代码中有详细的注释，希望对下载的朋友有用。

emnist：使用卷积神经网络对EMNIST数字进行分类

针对传统异物识别准确率较低的问题，提出一种基于TensorFlow的深度卷积神经网络的异物识别模型。将巡检图像进行图像灰度化和尺寸压缩等预处理，并采用三维块匹配滤波(BM3D)算法进行图像去噪得到实验所需的训练数据。提出基于TensorFlow的深度卷积神经网络框架，通过使用框架中的TensorBoard模块设计深度卷积神经网络模型结构与优选模型参数，并针对ReLU激活函数与特征权重进行理论分析。实验结果表明，经过15次迭代训练后，深度卷积神经网络比传统的支持向量机(SVM)、极限学习机(ELM)和BP神经网络算法具有更强的巡检图像识别能力；与经典的LeNet-5和VGGNet模型以及相关文献中的模型相比，所提模型更具有优越性。

hsi图像分割matlab代码使用马尔可夫随机场和卷积神经网络的高光谱图像分类 CNN-HSI-MRF 这是卷积神经网络（CNN）的TensorFlow实现，用于基于代码（）的高光谱图像分割任务，如本文所述： 曹X，周F.许L.徐D.孟格，许Z.许和J.佩斯利， 此代码的另一个版本在[]中 要求 张量流0.12.1 如何使用代码 步骤1：运行python代码python cnn_train.py 第2步：运行Matlab代码Demo_Post_MRF.m 引用 该代码受MIT许可证保护。 如果您在代码中使用以下代码，请引用我们的论文： @article{cao2017hyperspectral, title={Hyperspectral image segmentation with Markov random fields and a convolutional neural network}, author={Cao, Xiangyong and Zhou, Feng and Xu, Lin and Meng, Deyu and Xu, Zongben and Paisley, J