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。

该压缩包含有TensorFlow1.1.0版本的Mac操作系统.whl文件

该压缩包含有TensorFlow1.1.0版本的Mac操作系统.whl文件

python keras tensorflow 实现，长短时记忆网络，AI项目，有数据集和代码，jupyter notebook 代码编写，有出图，包括模型保存

该压缩包中含有Mac操作系统的TensorFlow0.12.0版本的.whl文件

该压缩包含有TensorFlow0.12.0版本的Mac操作系统.whl文件

该压缩包含有TensorFlow0.12.0版本的Windows操作系统下载,并且含有下载安装教程