NLP项目 自然语言处理项目，其中包括有关以下方面的概念和脚本： gensim ， fastText和tensorflow实现。 参见， doc2vec ， word2vec averaging和Smooth Inverse Frequency实现 对话系统的类别和组成 tensorflow LSTM （请参阅 ，和 ， ） fastText实现 ELMo，ULMFit，GPT，BERT，XLNet的原理 HMM Viterbi实现。 参见，中文解读 Named_Entity_Recognition 通过双向LSTM + CRF，张量tensorflow实现对NER品牌。 参见中文注释，中文解读 7_Information_retrieval 8_Information_extraction 9_Knowledge_graph 10_Text_generation 11

该项目中实现的LeNet-5模型具有3个卷积层和2个全连接层。 它具有62,000个训练参数，图像输入大小为32 * 32。 经过训练，该模型在MNIST测试装置上达到了98.48％的精度。 MNIST是手写数字的数据集，具有70,000个居中固定大小的灰度图像。 有关数据集的更多详细信息，请参见： http://yann.lecun.com/exdb/mnist 运行GUI并选择您的图像。

CAFFE框架下，利用lenet深度神经网络训练的mnist数据集的caffemodel，可用于验证识别，反卷积可视化

将任何 2D CNN 扩展到 3D CNN，以用于动作识别等研究。 它为 Mathworks 的大多数官方预训练权重模型扩展了多功能性！ （ https://ww2.mathworks.cn/matlabcentral/fileexchange/?q=profileid:8743315 ）

GBDT决策树模型开发代码，详细的说明见https://blog.csdn.net/iqdutao/article/details/107698851

MobileNetv2 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型接受了超过一百万张图像的训练，可以将图像分类为1000个对象类别（例如键盘，鼠标，铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开 mobilenetv2.mlpkginstall 文件将启动您拥有的版本的安装过程。 此 mlpkginstall 文件适用于 R2019a 及更高版本。 用法示例： % 访问训练好的模型net = mobilenetv2(); % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 mobilenetv2 对图像进行分类标签 = 分类（净，我

lightgbm_pmml_demo 从python导出的受过训练的lightgbm模型，以供Java调用

times：2020/3/23 操作系统：win10 环境：python 3.6 因为我之前把所有内容写在一篇文章里非常的乱，所以本文主线是训练自己的 yolo.h5 去识别图像中的人，所有小细节的操作，我都在文中添加了链接，新手的话需要注意看一下。 // 有任何的问题都可以直接评论，还有资料的话直接留言邮箱，说明问题// //也可以评论下加下微信询问// 大家一起加油学习yolo，之后我会再出一篇详细介绍yolo代码的文章 如果你是 yolo 小白，或者环境配置等一直报错，请先参阅上一篇博文：keras-yolov3目标检测详解——适合新手 (环境配置、用官方权重识别自己的图片) 本文目的：

openpose官方预训练的caffe模型文件-附件资源

EfficientNet-b0 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型接受了超过一百万张图像的训练，可以将图像分类为1000个对象类别（例如键盘，鼠标，铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开高效netb0.mlpkginstall 文件将启动您拥有的版本的安装过程。 该mlpkginstall文件可用于R2020b及更高版本。 用法示例： % 访问训练好的模型净 = 高效netb0(); % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 DarkNet-53 对图像进行分类标签 = 分类（净，我） % 显示图像和分类