㈠ 卷積神經網路中數據能不能進行預處理後直接輸入網路
預處理是什麼處理，是降噪、白化或者PCA嗎，類似這些處理後，可以直接輸入網路
㈡ 怎樣選擇適合使用大量數據的「卷積神經網路」運算的筆記本
特徵在空間上有關聯有結構。比如說一幅圖像，像素和像素排成陣列，是一個平面；比如說，一張張圖像疊成一個向前延伸的長方體長條。
2. 特徵與特徵是同質的。比如圖像，像素和像素只是位置上的不同，采樣原理是一樣的。比如說心電信號這樣一個電壓信號，是一個信號序列，是同一個采樣機制在不同的時刻上採到的信號，這當然也符合特徵同質和有空間結構的特點
㈢ 卷積神經網路可以處理基因數據嗎
包括了CNN;C++SVM方面. DeepLearn Toolbox - Star:1000+
Matlab實現中最熱的庫存,Java。
2。
下面主要一些DeepLearning的GitHub項目吧;CDBN#47;SdA#47:2200+
實現了卷積神經網路，實現的模型有DBN#47，可以用來做分類，語言是Python;LR等，從演算法與實現上都比較全:800+
實現了深度學習網路. rbm-mnist - Star，應該是應用最廣的機器學習庫了,Scala. Deep Learning(yusugomo) - Star，還實現了Rasmussen的共軛梯度Conjugate Gradient演算法,DBN,C/CRBM/：Python。
3,CAE等主流模型，強化學習等200+
這個是hinton matlab代碼的C++改寫版. convnetjs - Star,SAE，首選的肯定是LIBSVM這個庫;RBM#47，提供了5種語言的實現。
5;dA#47:500+
這是同名書的配套代碼！
1。
4. Neural-Networks-And-Deep-Learning - Star
㈣ 卷積神經網路主要做什麼用的
卷積網路的特點主要是卷積核參數共享，池化操作。
參數共享的話的話是因為像圖片等結構化的數據在不同的區域可能會存在相同的特徵，那麼就可以把卷積核作為detector，每一層detect不同的特徵，但是同層的核是在圖片的不同地方找相同的特徵。然後把底層的特徵組合傳給後層，再在後層對特徵整合(一般深度網路是說不清楚後面的網路層得到了什麼特徵的)。
而池化主要是因為在某些任務中降采樣並不會影響結果。所以可以大大減少參數量，另外，池化後在之前同樣大小的區域就可以包含更多的信息了。
綜上，所有有這種特徵的數據都可以用卷積網路來處理。有卷積做視頻的，有卷積做文本處理的(當然這兩者由於是序列信號，天然更適合用lstm處理)
另外，卷積網路只是個工具，看你怎麼使用它，有必要的話你可以隨意組合池化和卷積的順序，可以改變網路結構來達到自己所需目的的，不必太被既定框架束縛。
㈤ 卷積神經網路只適用於圖像處理么
㈥ 卷積神經網路中pool什麼情況用mean pool好，什麼情況用max pool
pooling作為一個對特徵的操作，應該看具體任務。有論文提到，低層的網路對抽象特徵的響應更高，那麼隨著對特徵的不斷處理，高層的網路對細節特徵有更好的響應。pooling作為對特徵的處理操作，也應該考慮，pooling前的數據是什麼數據，數據代表了什麼意義，數據的相關性是怎麼樣的。假設區分由不同點集構成的「A」和"P"，這兩個數據集中的相臨數據間的位置相關性不大（從NN的角度看，當然從圖形學提取特徵就另說了），那麼我覺得，你可以用一個平均值的pooling來作為一個特徵提取的手段。而如果通過一個卷積核處理後的數據裡面的某個信息是很有效的，譬如說其中可能出現很大的值，而這個值對結果影響很大，那麼你可以用max的pooling
㈦ 深度卷積神經網路 能實現數據分類嗎
當然可以，CNN最初就是用來識別手寫的郵編數字，也就是識別一個手寫阿拉伯數字是0~9中的哪一個，實際上就是一個十分類問題。
Demo參見：http://yann.lecun.com/exdb/lenet/
㈧ 什麼樣的數據適合用卷積神經網路處理
當然是圖像了,具體點說就是一個數據點,跟它的上下左右數據有關聯的話,就適合用卷積。