vgg_generated_120.i vgg_generated_80.i boostdesc_lbgm.i 等openCV容易下载失败的文件，根据提示放在对应目录中

本人的数据集有6类，在网上爬虫分类整理得到的。数据集：女性蓝色裙子：female_bule_dress：415张；女性蓝色T袖：female_bule_shirt：311张；女性红色裙子：female_red_dress:259张；男性黑色T袖：male_black_shirt:257张；男性蓝色T袖：male_bule_shirt:247张；男性红色T袖：male_bule_shirt:194张 代码：keras实现的VGG模型及数据集构建

VGG_ILSVRC_16_layers，包含VGG_ILSVRC_16_layers_fc_reduced.caffemodel和VGG_ILSVRC_16_layers_fc_reduced_deploy.prototxt两个文件

In order to train an SSD300 or SSD512 from scratch, download the weights of the fully convolutionalized VGG-16 model trained to convergence on ImageNet classification here:

深度学习TensorFlow2.0 前言 在这个项目中，我将使用谷歌TensorFlow2.0框架逐一重现经典的卷积神经网络：LeNet-5，AlexNet，VGG系列，GooLeNet，ResNet系列，DenseNet系列，以及现在比较流行的：RCNN系列，SSD ，YOLO系列等。 教程目录 图像分类任务1.手写数字识别FirstNet（已​​完成） 2.快速建造卷积网络FastNet（已​​完成） 3. LeNet-5（已完成） 4. AlexNet（已​​完成） 5. VGG系列（已完成） 6. GooLeNet（已​​完成） 7. ResNet系列（已完成） 8. DenseNet系列（已完成） 目标检测任务1. RCNN系列2. SSD 3. YOLO系列 项目环境 Python3 Python3.6和3.7 PyCharm2018和2019 Tensorflow2.0

情绪识别 该存储库的目的是通过深度学习探索面部表情识别 环境： python 2.7 pytorch 0.3.0 GTX 1080 楷模： VGG Face微调可用于基于图像的表情识别 VGG + GRU用于基于视频的表情识别 Resnet + GRU用于基于视频的表情识别 型号详情： VGG Face 我们使用进行微调，使用FER2013数据集进行分类。 首先，我们通过将caffe模型转换为Pytorch模型，我们提供了转换后的。FER2013数据库包含35889张图像：用于培训的28709张图像，用于公共测试的3589张图像，以及用于私人测试的3589张图像。 我们使用训练数据和公共测试数据进行训练，并使用私人测试数据评估模型性能。 在这里，我们提供已 用法： 首先下载FER2013数据集（需要解压缩）和pytorch模型（VGG_Face_torch

内部是提取的代码，也只需要这个，其他都是需要链接的库，使用的是VS2015弄的，自己加下链接库，模型去VGG官网下载就可以了，还有不明白的给我留言

解决Opencv3.3.0编译contrib时报错：“vgg_generated_120.i”: No such file or directory和“boostdesc_bgm.i”: No such file or directory等问题。 将目录中boostdesc_bgm.i、boostdesc_bgm_bi.i、boostdesc_bgm_hd.i、boostdesc_binboost_064.i、boostdesc_binboost_128.i、boostdesc_binboost_256.i、boostdesc_lbgm.i、vgg_generated_120.i、vgg_generated_64.i、vgg_generated_80.i、vgg_generated_48.i复制到..\opencv_contrib-3.3.0\modules\xfeatures2d\src目录下重现编译即可。

皮托奇·西法尔100 pytorch在cifar100上练习 要求 这是我的实验资料 python3.6 pytorch1.6.0 + cu101 张量板2.2.2（可选） 用法 1.输入目录 $ cd pytorch-cifar100 2.数据集 我将使用来自torchvision的cifar100数据集，因为它更方便，但我还将示例代码保留了用于在数据集文件夹中编写您自己的数据集模块的示例，以作为人们不知道如何编写它的示例。 3.运行tensorbard（可选） 安装张量板 $ pip install tensorboard $ mkdir runs Run tensorboard

opencv_contrib缺少boostdesc_bgm.i等文件boostdesc_bgm.i,vgg_generated_48.i