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）。

摘要视图订阅标签： TensorFlow深度学习机学习分类：[置顶] 20行代码实现电影评论情感分析201803月09日 09:33:172339人阅读评论(4

Android和树莓派上的TensorFlow-Lite对象检测 展示如何训练TensorFlow Lite对象检测模型并在Android，Raspberry Pi等上运行它们的指南！ 介绍 TensorFlow Lite是用于在资源受限的边缘设备上部署轻量级深度学习模型的优化框架。 TensorFlow Lite模型具有更快的推理时间和更少的处理能力，因此可用于在实时应用程序中获得更快的性能。 本指南提供分步说明，说明如何训练自定义TensorFlow对象检测模型，如何将其转换为TensorFlow Lite可以使用的优化格式以及如何在Android手机或Raspberry Pi上运行它。 该指南分为三个主要部分。 每个部分在此存储库中都有其自己的专用README文件。 如何在Windows 10上训练，转换和运行自定义TensorFlow Lite对象检测模型<---您在这里！