TensorFlow2.0中Ranknet到LambdaRank的实现 **此存储库在Tensorflow 2.0中具有从RankNet到LambdaRank的实现，** 要求 tqdm == 4.32.1 numpy == 1.16.4 点击== 7.0 tensorflow_gpu == 2.1.0 设置 $ git clone https://github.com/akanyaani/ranknet-tensorflow2.0 $ cd ranknet-tensorflow2.0 $ pip install -r requirements.txt 从此处下载数据，并将任何折叠传递给pre_process。 $ python pre_process.py --help Options: --data-dir TEXT training data

Tensorflow可以使用训练好的模型对新的数据进行测试，有两种方法：第一种方法是调用模型和训练在同一个py文件中，中情况比较简单；第二种是训练过程和调用模型过程分别在两个py文件中。本文将讲解第二种方法。 模型的保存 tensorflow提供可保存训练模型的接口，使用起来也不是很难，直接上代码讲解： #网络结构 w1 = tf.Variable(tf.truncated_normal([in_units, h1_units], stddev=0.1)) b1 = tf.Variable(tf.zeros([h1_units])) y = tf.nn.softmax(tf.matmul(w

JavaScript人脸识别库Face-api.js的示例，无需安装nodejs，iis本地直接看效果。注意调用摄像头不能用IP访问，只能localhost，远程预览需要HTTPS；iis无扩展名文件若出现404，需在mime类型中添加扩展名【.】类型【application/octet-stream】。

win10平台下的cuda8.0、用于NVIDIA的GPU加速，配置加速环境所需的cudnn6.0 -win10 for cuda 8.0。文件太大，请使用baiduyun下载

MNIST 数据集已经是一个被”嚼烂”了的数据集, 很多教程都会对它”下手”, 几乎成为一个 “典范”. 不过有些人可能对它还不是很了解, 下面来介绍一下. MNIST 数据集可在 http://yann.lecun.com/exdb/mnist/ 获取, 它包含了四个部分: Training set images: train-images-idx3-ubyte.gz (9.9 MB, 解压后 47 MB, 包含 60,000 个样本) Training set labels: train-labels-idx1-ubyte.gz (29 KB, 解压后 60 KB, 包含 60,000 个标签) Test set images: t10k-images-idx3-ubyte.gz (1.6 MB, 解压后 7.8 MB, 包含 10,000 个样本) Test set labels: t10k-labels-idx1-ubyte.gz (5KB, 解压后 10 KB, 包含 10,000 个标签) MNIST 数据集来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST). 训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员. 测试集(test set) 也是同样比例的手写数字数据.

深度学习框架技术解析及caffe实战总结，自己的一些总结，主要是对Caffe和Tensorflow两个框架做一个对比介绍，并结合自己学习caffe的过程遇到的问题和理解做一个技术总结，很简单，本来是做一次小专题，感觉分享出来比较好。

cnn源码matlab SVHN-deep-cnn-digit-detector 该项目在自然场景中实现了 deep-cnn-detector（和识别器）。 我使用 keras 框架和 opencv 库来构建检测器。 该检测器使用 CNN 分类器为 MSER 算法提出的区域确定数字与否。 先决条件 Python 2.7 keras 1.2.2 opencv 2.4.11 张量流-GPU == 1.0.1 等等。 运行这个项目所需的所有包的列表可以在 . Python环境 我建议您创建和使用独立于您的项目的 anaconda 环境。 您可以按照以下简单步骤为该项目创建 anaconda env。 使用以下命令行创建 anaconda env： $ conda env create -f digit_detector.yml 激活环境$ source activate digit_detector 在这个环境中运行项目 用法 数字检测器的构建过程如下： 0. 下载数据集 下载 train.tar.gz 并解压文件。 1.加载训练样本（1_sample_loader.py） Svhn 以 m

心音-深度学习 该项目旨在在低功耗ARM处理器（例如在树莓派上找到的处理器）上运行。 目的是将该软件打包到一个小型硬件设备中，发展中国家的护理工作者可以使用该设备来检测心脏病的早期发作。

anaconda和WIN10下tensorflow-gpu的安装，网上很多其他的安装指导都容易引起各种兼容问题。已亲测可用2018-12月30日。

交通标志识别 在这个项目中，我使用卷积神经网络对交通标志进行分类。 具体来说，我训练了一个模型，用于根据“德国交通标志对交通标志进行分类。 我使用TensorFlow进行模型开发，并在GPU上对其进行了训练。 分几个步骤： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 完整的项目代码可以在找到 数据集摘要与探索 1.数据集的基本摘要。 此步骤的代码包含在的3d code cell中 我使用了pandas库来计算交通标志数据集的摘要统计信息： 训练示例数= 34799 测试例数= 12630 图像数据形状=（32，32，3） 班级数量= 43 2.数据集的探索性可视化。 该步骤的代码包含在的5th code cell中。 这是数据集的探索性可视化。 它是显示数据分布方式的条形图。 我们看到分布不均。