SSD模模型的tensorflow2版本，有需要的可以看

本例提取了猫狗大战数据集中的部分数据做数据集，演示tensorflow2.0以上的版本如何使用Keras实现图像分类，分类的模型使用DenseNet121。本文实现的算法有一下几个特点： 1、自定义了图片加载方式，更加灵活高效，节省内存 2、加载模型的预训练权重，训练时间更短。 3、数据增强选用albumentations。 详见：https://wanghao.blog.csdn.net/article/details/122607363?spm=1001.2014.3001.5502

mobilenet v2、tensorflow 2.7.0 、 kears 2.7.0

tensorflow版本：2.1.0 需要Python库：Numpy,Matplotlib 使用的数据集：Fashion Mnist TF1.* TF1.x 主要用于处理「静态计算图」的框架。计算图中的节点是 Tensors，当图形运行时，它将保持nn维数组；图中的边表示在运行图以实际执行有用计算时将在张量上运行的函数。 在 TensorFlow 2.0 之前，我们必须将图表分为两个阶段： 构建一个描述你要执行的计算的计算图。这个阶段实际上不执行任何计算；它只是建立来计算的符号表示。该阶段通常将定义一个或多个表示计算图输入的 “占位符”（placeholder）对象。 多次运行计算图。每次运

import matplotlib.pyplot as plt from tensorflow import keras import tensorflow as tf import matplotlib as mpl import pandas as pd import numpy as np import sklearn import time import sys import os # 加载数据 from sklearn.datasets import fetch_california_housing housing = fetch_california_housing() print

文字分类器 此仓库是基于Tensorflow2.3的文本分类任务，分别支持： 随机初始单词嵌入+ TextCNN 随机初始词嵌入+注意+ TextCNN 随机初始单词嵌入+ TextRCNN Word2Vec + TextCNN Word2Vec +注意+ TextCNN Word2Vec + TextRCNN 伯特嵌入（没有微调，直接取向量）+ TextCNN Bert嵌入（没有微调，直接取向量）+ TextRCNN 代码支持二分类和多分类，此项目基于爬取的游戏评论正是个二元的情感分类作为演示。 环境 python 3.6.7 张量流== 2.3.0 gensim == 3.8.3 杰巴== 0.42.1 sklearn == 0.0 其他环境见requirements.txt 更新历史 日期 版本 描述 2018-12-01 v1.0.0 初始仓库 2020-10-

该笔记欢迎star，不建议叉！因为经常更新 实战案例 实战一：MNIST数据集手写数字识别 实战二：猫狗识别 实战三：Google涂鸦识别挑战项目 实战四：LSTM实现新闻文本分类算法 实战五：变压器实现英译中机器翻译 实战六：Google涂鸦识别挑战项目（GPU分散训练） 实战七：花朵识别（TPU分散训练） 实战八：BERT实现文本匹配 实战九：tf.serving模型部署 其他（TODO） 推荐项目实战 MIND算法（提供Demo数据）TODO NLP项目实战 ESIM算法 CV项目识别 去做 参考资料

指纹_TF 使用Tensorflow2进行深度学习指纹识别。 图片信息 Fingerprint image size is 160x160(500DPI). 环境 Python : 3.7 Tensorflow : >= 2.0 参考 https://github.com/kairess/fingerprint_recognition 样本数据集 您可以从此处获取样本数据集。 该数据集是从FVC2000_DB4_B创建的。 预训练模型 发布日期 型号版本 训练数据集 图片信息 验证准确性 网址 2020-02-21 v0.1 17,859图片（343手指） 160 x 160（500DPI） 0.9702 2020-04-13 v0.2_Beta1 5,800张图片（203个手指） 160 x 160（500DPI） 0.9748 预处理 在训练模型之前，必须进行预处

主要介绍了TensorFlow2.X使用图片制作简单的数据集训练模型,本文通过截图实例代码相结合给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下

Anaconda3+Win10+Tensorflow2.0+GPU成功通过pip在虚拟环境下安装并且成功在base root 里的Spyder里跑codeStep 1 : python3.7以上安装Step 2 :驱动软件要求（1）查看电脑Nvidia配置（2）GPU软件要求（2-1）是否有版本足够的NVIDIA GPU 驱动程序，没有就下载安装。（2-2）CUDA 工具包的安装（2-3）cuDNN的下载与安装Step 3: 最重要的三个复制粘贴！！！！Step 4 : 创建虚拟环境，安装必要软件。Step 5: CMD 测试Step 6 : 在Anaconda 里的spyder成功impor