cnn

第14期｜高阶分割模型：Transformer/SegFormer遥感应用回顾专栏前文，我们从CNN基础出发，陆续学习了ResNet分类、YOLO目标检测、U-Net系列语义分割模型。以U-Net为代表的卷积神经网络，凭借轻量化、小样本友好、部署便捷等优势，长期占据遥感分割主流地位，也是入门、毕设与中小型项目的首选方案。

装不满的克莱因瓶

掌握3D CNN模型结构——从时空特征建模到视频理解与医学影像核心架构目录一、前言二、什么是3D CNN（一）基本定义（二）核心目标（三）一句话理解三、3D CNN输入数据结构

从零搭建CNN到迁移学习：以食物分类为例深入理解PyTorch图像分类实战随着深度学习的快速发展，卷积神经网络（CNN）已成为计算机视觉领域的核心技术之一。从图像分类、目标检测到语义分割，CNN及其变体在各种任务中都展现出了卓越的性能。对于初学者而言，从零开始实现一个CNN模型并完成训练，是理解深度学习原理的重要途径；而对于实际应用，我们往往采用迁移学习（Transfer Learning）来利用在大规模数据集上预训练的模型，从而在小数据集上快速获得高性能的分类器。

基于CNN深度学习算实现手写字母识别系统python源码+训练好的模型+说明文档基于深度学习的手写字母识别模型，用户可在画布上绘制大写字母（A-Z），由训练好的 CNN 模型进行预测识别。

努力写A题的小菜鸡

PyTorch 搭建卷积神经网络：常规写法 vs Sequential 写法详解在 PyTorch 中搭建卷积神经网络（CNN），最常见的两种实现方式是常规逐层定义法和 **nn.Sequential 堆叠法 **。本文将以 CIFAR10 分类任务的经典网络为例，详细讲解两种写法的实现、差异、优缺点及适用场景，附完整可运行代码与注释，方便直接复现与学习。

OpenBCI-脑机接口在康复医疗中的应用脑机接口技术在康复医学领域具有巨大的应用潜力。它为神经系统疾病患者提供了一种新的康复治疗手段，帮助他们恢复运动、语言和认知功能。本文将深入探讨BCI在康复医疗中的应用场景、技术原理和未来发展方向。

OpenBCI-脑电信号深度学习：CNN与RNN应用深度学习技术的兴起为脑电信号处理带来了革命性的突破。传统的机器学习方法依赖手工设计特征，而深度学习能够自动从原始信号中学习复杂特征表示。本文将深入介绍如何使用卷积神经网络（CNN）和循环神经网络（RNN）处理脑电信号。

LeNet-5深度学习详解：从手写数字识别到代码实战想象一下，你去银行办理业务，工作人员让你填写一张表格。表格上有许多需要手写的数字：日期、金额、身份证号码等。银行系统如何自动识别这些手写数字呢？这就是LeNet-5最初要解决的问题。

基于 YOLOv8 与 Faster R-CNN 的红外图像行人检测系统设计与实现有需要本项目的代码、文档、完整资源，或者需要部署调试的朋友，可以私信博主。1 项目简介最近整理了一个红外图像行人检测方向的完整项目，核心内容是基于 YOLOv8 和 Faster R-CNN 完成低照度、夜间或复杂监控场景下的行人目标检测，并进一步开发了一个可以直接演示的 PyQt5 图形化检测系统。整个项目不是只停留在模型训练层面，而是从数据准备、标注格式转换、模型训练、模型对比、结果可视化到桌面端界面展示都做了完整串联。

CNN算法实战系列06 | InceptionV1实现猴痘病识别Inception Module 的核心思想：使用不同大小的卷积核（1x1、3x3、5x5）和最大池化并行提取不同尺度的特征，然后沿通道维度拼接。

CNN、RNN与Self-Attention：定义、原理、复杂度与对比-AI轮回基本原理复习3在自然语言处理、语音识别、时间序列预测等场景中，数据均以有序序列形式存在，模型需要完成「输入序列→输出序列」的映射。典型示例：语句 X=(x1,x2,x3,x4)X=(x_1,x_2,x_3,x_4)X=(x1,x2,x3,x4)，分别对应单词 I、love、deep、learning。

丨白色风车丨

PyTorch 实现手写数字识别：全连接网络 + CNN 卷积网络（MNIST 数据集实战）MNIST 手写数字数据集是深度学习入门经典数据集，包含 60000 张训练集、10000 张测试集灰度手写数字图片（0~9）。本文基于 PyTorch 分别实现全连接神经网络（FC）和卷积神经网络（CNN）完成手写数字分类，完整包含数据集加载、数据可视化、模型搭建、训练、测试全流程，适合深度学习新手入门学习。

基于 PyTorch 的食物图像分类CNN 训练全流程本文将从零开始带大家实现一个基于 PyTorch 的 20 类食物图像分类项目，涵盖数据集准备→自定义 Dataset→CNN 网络搭建→模型训练→测试评估完整流程。

机器学习之心

小龙虾优化算法（COA）驱动的CNN-LSTM多输出回归模型及其SHAP可解释性分析作者：机器学习之心关键词：小龙虾优化算法、CNN-LSTM、SHAP分析、多输出回归、超参数优化、混沌映射适用领域：工业预测、金融时序预测、多变量回归建模、可解释AI

叫我：松哥

基于卷积神经网络的人脸情绪识别算法，引入残差连接与SE注意力模块1前言1.1.1 研究背景随着人工智能技术的飞速发展，人机交互日益成为日常生活的重要组成部分。人类情感的表达主要通过面部表情、语音语调、肢体动作等方式传递，其中面部表情是最直观、最丰富的载体。人脸情绪识别旨在使计算机能够自动识别人类的情绪状态，如高兴、悲伤、愤怒、惊讶等，从而实现更自然、更智能的交互。该技术在智能教育、心理健康监测、安全驾驶、娱乐互动等领域具有广阔的应用前景。

装不满的克莱因瓶

NLP中的卷积神经网络CNN——从图像卷积到文本特征提取的跨界应用目录一、前言二、什么是NLP中的CNN（一）基本定义（二）一句话理解（三）核心思想三、CNN如何处理文本

CNN实现手写数字识别，完整可运行源码本文基于Pytorch搭建CNN，训练MNIST手写数字数据集，代码完整、注释详细，新手直接运行。MNIST：7万张手写数字图片，28*28灰度图，深度学习入门通用数据集。

叫我：松哥

基于深度卷积神经网络的水果图片分类算法设计与实现，有ResNet50的迁移学习模型，准确率达95%1前言1.1 研究的背景和意义1.1.1 研究背景农业是国民经济的基础产业，农产品的智能化识别对于提升农业生产效率、保障食品安全、推动农业现代化具有重要意义。水果作为日常消费品，其种类繁多、外观相似，传统的人工分类方式不仅效率低下，而且容易受到主观因素和疲劳的影响，难以满足大规模、高精度的应用需求。随着计算机视觉和深度学习技术的迅猛发展，基于图像的自动分类方法逐渐成为研究热点。

【深度学习】PyTorch CNN 手写数字识别（卷积神经网络）使用 PyTorch 框架搭建卷积神经网络（CNN），识别 MNIST 数据集中的手写数字（0-9）。简单来说：让电脑学会看懂手写的 0-9 数字，就像人认数字一样。在运行代码前，必须安装依赖库，打开电脑的命令提示符（CMD）/ 终端，执行以下命令：

叫我：松哥

基于卷积神经网络的静态手势语识别算法，在测试集上的识别准确率达到97.5%1前言随着人工智能技术的飞速发展，人机交互方式正经历着从传统的键盘、鼠标向更自然、更直观的交互方式转变。语音识别、手势语识别、人脸识别等自然交互技术逐渐成为研究热点，在智能家居、医疗康复、虚拟现实、游戏娱乐等领域展现出巨大的应用潜力。