里面是关于tensorflow的python代码，也介绍了深度学习各种网络，以及图片处理

srgan-tensorflow超分辨率图像重建

官方代码自动下载的模型，跑得时候一直出问题，重新下载以后就可以运行了。这里打包一下整个工程，备份一波。

【机器学习】安装python的机器学习库scikit-learn、tensorflow-附件资源

tf-gpt-2 使用Tensorflow的GPT-2文本模型的Java库 来源： 更多背景： 基本用法 导入库 < dependency> < groupId>com.simiacryptus < artifactId>tf-gpt-2 < version>1.7.1 实例化文本生成器 import com.simiacryptus.text.TextGenerator ; import com.simiacryptus.text.gpt2.GPT2Util ; TextGenerator textGenerator = GPT2Util . get345M(); 产生文字 System . out . println(textGenerat

欧氏距离matlab代码Tensorflow_Pytorch_Sinkhorn_OT 用于计算两个离散分布之间的最佳运输（OT）距离的Sinkhorn算法[1]的Tensorflow（1.0或2.0）和Pytorch实现。 概述 这些实现是从Cuturi到Tensorflow和Pytorch的改编，它们能够利用其自动差异功能和在GPU上运行的能力。 这些实现并行计算N对离散分布对（即，概率向量）之间的OT距离。 它对应于Cuturi实施中的“ N倍1-vs-1模式”。 输入 a ：D_1×N矩阵，每列是D_1维（规格化）概率向量。 b ：D_2×N矩阵，每列是D_2维（规格化）概率向量。 M ：D_1×D_2矩阵，成本函数正，对角线应为零。 lambda_sh, numItermax, stopThr ：算法的参数，与Cuturi的实现相同。 a, b, M是Tensorflow或Pytorch的张量，因此，反向传播适用。 输出 该算法输出一个N维矢量，第n个元素是a[:,n]与b[:,n]之间的（近似）OT距离。 测试 在test.py文件中，提供了Cuturi的Matlab实现与我

用于人类活动识别的深度学习 深度学习可能是人类活动识别最近的未来。 虽然现有的非深度方法有很多，但我们仍然想释放深度学习的全部力量。 这个 repo 提供了一个使用深度学习来执行人类活动识别的演示。 我们同时支持 Tensorflow 和 Pytorch。 先决条件 Python 3.x 麻木 Tensorflow 或 Pytorch 1.0+ 数据集 有许多用于人类活动识别的公共数据集。 您可以参考这篇调查文章以了解更多信息。 在本演示中，我们将使用 UCI HAR 数据集作为示例。 这个数据集可以在找到。 当然，这个数据集在放入网络之前需要进一步的预处理。 我还提供了数据集的预处理版本作为.npz文件，以便您可以专注于网络（在下载）。 还强烈建议您下载数据集，以便您可以自己体验所有过程。 ＃主题 ＃活动 频率 30 6 50赫兹 用法 对于 Pytorch（推荐），进入p

TensorFlow，李洪金著，深度学习之TensorFlow：入门、原理与进阶实战

实时驾驶辅助系统 作者：庞然和徐佳琪 使用Python（OpenCV和TensorFlow）显示检测到的车道，车道保持状态，转向角建议，检测到的物体（具有估计的距离）以及真实驾驶画面上的刹车警告。 样本输出 红色数字是相对距离。 环境要求 该项目是在Python 3.7中使用Tensorflow 1.x和OpenCV 3.4进行的。 文件要求 在object_detection文件夹/实用程序中需要一个预先训练的模型。

在本文中，我们向您展示如何为生成时装设计建立一个生成对抗网络（GAN）。