本课程主要向大家讲解如何基于YOLO网络的精简版本tiny-yolo训练手势识别模型，从图片数据采集，图片标注，网络参数修改，模型训练，模型测试等，项目中用到的标注好的数据集和训练好的模型向购买课程的同学免费提供。 本人后续还会推出将手势识别模型，安全帽识别模型，openpose人体姿态识别模型等目标检测识别模型移植到华为海思3516DV300系列低成本的嵌入式板子上的相关课程，加速人工智能的落地应用，请感兴趣的同学关注后续课程，想合作或有什么问题也可以在csdn上给我发私信。

Google提出的开源人脸识别算法FaceNet的预训练模型，FaceNet的官方的预训练模型，20180408-102900 NOTE: If you use any of the models, please do not forget to give proper credit to those providing the training dataset as well.

通过3000多种训练的检测和识别模型，开箱即用。

银行营销数据分析 要求 Python 2.7 脾气暴躁> = 1.14.2 Matplotlib> = 2.2.0 熊猫> = 0.22.0 Scikit-Learn> = 0.19.1 描述 银行营销数据集是从葡萄牙语的一家银行机构的直接营销活动中收集的。 营销活动可以理解为打给客户的电话，说服他们接受他们向其银行存入定期存款。 每次通话后，他们被记为否-是客户未存入保证金，是-是通话中接受接受存入的客户。 该项目的目的是根据客户的信息预测应召客户是否愿意存入定期存款。 该项目考虑的银行营销数据集仅占全部可用数据集的一小部分（10％）。 该数据集包含约4119行数据，其中包含19个功能部件和1列Class信息。 数据集的主要问题是： 需要进行预处理以填充数据集中的未知值 需要进行预处理以决定分类数据和连续数据的使用 数据是类别不平衡的（与类别0的数量（否）相比，类别1

卷积神经网络的人脸识别样本采集+Keras编程+识别模型训练和测试 参考博客：https://blog.csdn.net/qq_44830040/article/details/107163895

为解决在嵌入式设备上实时、高精度检测司机安全驾驶监督的问题，本文基于目标检测中经典的深度学习神经网络YOLOv3-tiny，运用通道剪枝技术成功在目标检测任务中实现了模型压缩，在精度不变的情况下减少了改进后神经网络的计算总量和参数总数.并基于NVIDIA的推理框架TensorRT进行了模型层级融合和半精度加速，部署加速后的模型.实验结果表明，加速模型的推理速度约为原模型的2倍，参数体积缩小一半，精度无损失，实现了高精度下实时检测的目的.

主要为大家详细介绍了Tensorflow训练MNIST手写数字识别模型，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

Lattice LSTM神经网络法中文医学文本命名实体识别模型研究.pdf

对NER的监管不力 与ACL 2020接受的论文“没有标签数据的命名实体识别：弱监督方法”相关的源代码。 要求： 您首先应该确保安装以下Python软件包： spacy （版本> = 2.2） hmmlearn snips-nlu-parsers pandas numba scikit-learn 您还应该在Spacy中安装en_core_web_sm和en_core_web_md模型。 要在ner.py运行神经模型，还需要安装pytorch ， cupy ， keras和tensorflow 。 要运行基线，您还需要安装snorkel 。 最后，您还需要下载以下文件并将

使用NVIDIA预训练模型和Transfer Learning Toolkit 3.0与机器人创建基于手势的交互 在这个项目中，我们演示如何训练您自己的手势识别深度学习管道。 我们从预先训练的检测模型开始，使用Transfer Learning Toolkit 3.0将其重新用于手部检测，然后将其与专用手势识别模型一起使用。 经过培训后，我们将在NVIDIA:registered:Jetson:trade_mark:上部署此模型。 可以将这种手势识别应用程序部署在机器人上以理解人类手势并与人类进行交互。 该演示可以作为点播网络研讨会提供： : 第1部分。训练对象检测网络 1.环境设置 先决条件 Ubuntu 18.04 LTS python> = 3.6.9 = 19.03.5 docker-API 1.40 nvidia-container-toolkit> = 1.3.0-1