本文实例为大家分享了基于TensorFlow的CNN实现Mnist手写数字识别的具体代码，供大家参考，具体内容如下 一、CNN模型结构 输入层：Mnist数据集（28*28） 第一层卷积：感受视野5*5，步长为1，卷积核：32个 第一层池化：池化视野2*2，步长为2 第二层卷积：感受视野5*5，步长为1，卷积核：64个 第二层池化：池化视野2*2，步长为2 全连接层：设置1024个神经元 输出层：0~9十个数字类别 二、代码实现 import tensorflow as tf #Tensorflow提供了一个类来处理MNIST数据 from tensorflow

以CIFAR10数据为例的分类器 实验课作业，由于是很经典的分类任务，所以整理了一下记录下来，实际上TensorFlow源码中就有很好的CIFAR10示例（包含单机和多样化版本），不过既然要交作业，自己的在基础CNN分类的版本外，添加了使用ResNet进行分类的实验，收敛速度远快于基础CNN。 一，文件介绍 公用脚本 ops.py网络层封装实现，已被Advanced_CNN.py和ResNet.py调用cifar10_input.py ：数据读入相关函数脚本，包含对训练数据和测试数据的不同预先路径设置eval_CNN.py ：测试用eval_CNN.py ，读取./images目录下的图片文件，并输出对应的预测结果 基础CNN分类器相关脚本 Advanced_CNN.py ：使用CNN的分类器，脚本本身包含了网络构建和训练相关的摘要，可以直接运行训练数据 ResNet相关脚本 ResNet

TensorFlow示例模型 基于TensorFlow的几种机器学习模型的实现（前三个-Logistic Regresion，MLP和CNN受启发）。 文件夹包含以下内容的简单实现： （带EM） 文件夹包含通过期望最大化算法（具有对角协方差，完全协方差，基于梯度等）训练的高斯混合模型实现的详细版本。 文件夹包含将GMM实现分解为一组连贯的类的初始尝试。

自然语言处理学习笔记 机器学习及深度学习原理和示例，基于Tensorflow和PyTorch框架，Transformer，BERT，ALBERT等最新预训练模型以及源代码详解，以及基于预训练模型进行各种自然语言处理任务。以及模型部署 两种传统的模型： 基于规则或模板生成对话系统 基于概率的语言模型利用语料数据，实现了简略的2-gram模型，并利用该模型判断句子的合理性 根据中国城市的位置信息，实现简单的路径规划系统 根据武汉地铁的各站点的位置信息，实现简单的路径规划系统 图的广度优先搜索及深度优先搜索 搜索问题的抽象模式 旅行推销员问题 启发式 A *搜索 动态规划 机器学习算法，及其应用 python实现基本的神经网络：激活函数，损失函数，前向传播，反向传播 python实现各种梯度下降算法，初始化，批量归一化，正则化 python实施CNN ： Tensor Flow基本概念，张量，

之前的文章讲过用Tensorflow的object detection api训练MobileNetV2-SSDLite，然后发现训练的时候没有利用到GPU，反而CPU占用率贼高（可能会有Could not dlopen library ‘libcudart.so.10.0’之类的警告）。经调查应该是Tensorflow的GPU版本跟服务器所用的cuda及cudnn版本不匹配引起的。知道问题所在之后就好办了。 检查cuda和cudnn版本  首先查看cuda版本： cat /usr/local/cuda/version.txt  以及cudnn版本： cat /usr/local/cuda

基于tensorflow搭建Resnet18对Cifar10测试集准确率90%，仅用了数据增强和损失函数优化方案，简单易懂，内含源码以及训练好了的模型。继续调节参数可以进一步增高准确率，支持交流学习，勿喷

基于Tensorflow的视觉问答系统VQA

[目录] K210 YOLO V3框架 这是一个清晰，可扩展的yolo v3框架 实时显示召回率和精度 易于与其他数据集一起使用 支持多个模型主干并扩展更多 支持n个输出层和m个锚点 支持模型重量修剪 便携式型号用于Kendryte 芯片 Voc培训 设置环境 在ubuntu 18.04， Python 3.7.1测试，在requirements.txt其他测试。 准备数据集 首先使用脚本： wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar t

实体关系提取 基于TensorFlow的实体和关系提取。基于TensorFlow的实体和关系撤消，2019语言与智能技术竞赛信息撤除（实体与关系撤回）任务解决方案。 如果您对信息抽取论文研究感兴趣，可以查看我的博客。 抽象 该代码以管道式的方式处理实体及关系抽取任务，首先使用一个多标签分类模型判断句子的关系种类，然后将句子和可能的关系类型输入序列标注模型中，序列标注模型标注出句子中的实体，最终结合预测的关系和实体输出实体-关系列表：（实体1，关系，实体2）。 该代码以管道方式处理实体和关系提取任务。 首先，使用多标签分类模型来判断句子的关系类型。 然后，将句子和可能的关系类型输入到序列标签模

基于Tensorflow 2.x实现的声纹识别大数据集预测模型和预训练模型，源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Tensorflow