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！

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。