伯特比 BERTopic是一种利用主题建模技术 :hugging_face: 转换程序和c-TF-IDF创建密集的群集，使主题易于理解，同时在主题描述中保留重要字词。 它甚至支持类似于LDAvis的可视化！ 相应的媒体帖子可以在找到。 安装 可以使用完成安装： pip install bertopic 要使用可视化选项，请按照以下步骤安装BERTopic： pip install bertopic[visualization] 安装错误推荐使用PyTorch 1.4.0或更高版本。 如果安装出现错误，请首先安装pytorch。 入门 要详细了解BERTopic的功能，您可以在查看完整的文档也可以Google Colab笔记本。 快速开始 我们首先从著名的20个新闻组数据集中提取主题，该数据组由英文文档组成： from bertopic import BERTopic from sklearn . datasets import fetch_20newsgroups docs = fetch_20newsgroups ( subset = 'all' , remove

python：2019新年贺词的词云制作以及基于TF-IDF的关键词提取-附件资源

TF卡启动镜象（刷CM7用，已含相应RECOVERY包）.rar 联想a107变砖专用

指纹_TF 使用Tensorflow2进行深度学习指纹识别。 图片信息 Fingerprint image size is 160x160(500DPI). 环境 Python : 3.7 Tensorflow : >= 2.0 参考 https://github.com/kairess/fingerprint_recognition 样本数据集 您可以从此处获取样本数据集。 该数据集是从FVC2000_DB4_B创建的。 预训练模型 发布日期 型号版本 训练数据集 图片信息 验证准确性 网址 2020-02-21 v0.1 17,859图片（343手指） 160 x 160（500DPI） 0.9702 2020-04-13 v0.2_Beta1 5,800张图片（203个手指） 160 x 160（500DPI） 0.9748 预处理 在训练模型之前，必须进行预处

tf-dagmm dagmm的流实现：用于无监督异常检测的深度自动编码高斯混合模型，Zong等人，2018年。此外，我构建了卷积自动编码器来分析图像数据，而不是完全连接的自动编码器。 要求 我已经在以下软件包上成功地训练了模型： 的Python 3.6.4 Tensorflow 1.5.0（GPU版本） 编码为高维向量 认证者将输入编码为一个非常低维的矢量（仅1或2）。 这太小了，因为我正在对尺寸为128 x 128图像进行异常检测。 我使用一个亚密层将编码的矢量映射到低维空间。 因此，我可能会遇到更好的重构错误，并且还可以训练GMM。 笔记 此tf模型用于对我的工作执行异常检测的真实案例。 由于商业安全性，我无法提供我使用的数据集。 我已经做过一些实验，使用专家建议在每个图像中使用几种自动编码器（即论文中的压缩方式）来分析重要区域。 结果却表现不佳。 就我而言，所需的培训时间很

巴洛双胞胎TF

本文采用对分类的样本数据短信文本词频统计，转化为tf-idf权值向量(即文本向量表示法),代入高斯贝叶斯模型进行训练。内有详细代码和实现过程。

tf_emotion_detector 一个基于TensorFlow的人脸表情识别系统

tensorflow-1.7.0-cp35-cp35m-linux_aarch64 TF安装包1.8版本，Linux 64位

主要介绍了TF-IDF算法解析与Python实现方法详解，文章介绍了tf-idf算法的主要思想，分享了Python实现tr-idf算法所必要的预处理过程，以及具体实现代码等相关内容，具有一定参考价值，需要的朋友可以了解下。