通过TensorFlow搭建卷积神经网络实现猫狗识别代码，训练和测试代码完整，下载之后可以直接运行测试打码，运行环境在Linux下，需要把代码中的路径修改为本机实际路径

包括数据集、网络结构、训练代码、测试代码，还有示范的最终模型

python语言编写，利用TensorFlow建立两层卷积神经网络，数据集为手写体识别数据集MNIST，识别准确率99%

使用tensorflow实现的神经网络二分类，数据集为糖尿病化验数据，其中前八列为特征，第九列为期望结果，准准确率81.75%，内有详细的代码注解，适合新手学习使用

该代码使用Tensorflow r1.7在Ubuntu 14.04下使用Python 2.7和Python 3.5进行测试。代码中包含测试用例。模型使用固定图像标准化。在中科院自动化所，WebFace数据集已经被用于训练。该面部检测后，该训练集包括总共453 453个图像，超过10 575个身份。如果在训练之前过滤了数据集，则可以看到一些性能改进。有关如何完成此操作的更多信息将在稍后提供。性能最佳的模型已经在VGGFace2数据集上进行了训练，该数据集由~ 3.3M面和~9000个类组成。提供了几个预训练模型。请注意，模型的输入图像需要使用固定图像标准化进行标准化（--use_fixed_image_standardization例如，在运行时使用该选项validate_on_lfw.py）。

针对已训练好的tensorflow模型，模型是根据自身需要训练的，将模型其应用的遥感影像分类中，并显示分类结果。

带界面的手写数字识别程序，Qt开发界面，使用python基于TensorFlow设计手写数字识别算法，并编程实现GUI界面，构建手写数字识别系统。内附有相关开发文档。

基于selective_search源码对手写数字串进行过滤分割，并基于tensorflow在mnist训练好的模型进行识别。 环境：Windows10 + tensorflow1.2 + python3.5 + cv2 程序： example/demo.py---对手写数字图片的分割，并将每个数字做成28*28的黑底白字图片，保存在本地image_data.npy example/mnist_model.py---对手写体mnist数据集进行训练，训练好后读取数据进行识别 example/camera.py---是调用计算机摄像头获取图片用的，按q退出拍照 selectivesearch/selectivesearch.py---是选择性搜索的源代码 注意：手写数字的图片尽量不要太大（太大会显得数字写的太细，调大数字粗细度），每个数字大小不要差太多，可以在画板上写的一个数字长宽在50像素左右效果不错，其他的没有测试过。

基于TensorFlow的Faster R-CNN源码 目录结构 ----data ----experiments ----faster_rcnn ----libs