改代码可实现keras预测图像类别。基于python3，改代码具体讲解了如何输出预测类别，通过建立列表形式准确输出中文类别。

tensorflow对数据集中数据的读取与运算结果保存、训练模型、测试模型

pytorch_classification 利用pytorch实现图像分类，其中包含的密集网，resnext，mobilenet，efficiencynet，resnet等图像分类网络，可以根据需要再行利用torchvision扩展其他的分类算法 实现功能 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整 多模型融合预测，修正与投票融合 利用flask实现模型云端api部署 使用tta测试时增强进行预测 添加label smooth的pytorch实现（标签平滑） 添加使用cnn提取特征，并使用SVM，RF，MLP，KN

开发环境：VS2019 ver16.9.4 .net5.0 windowsform 基于模型TinyYolo2_model，可以识别飞机”，“自行车”，“鸟”，“船”，“瓶子”， “公共汽车”，“汽车”，“猫”，“椅子”，“牛”， “diningtable”，“狗”，“马”，“摩托车”，“人”， “盆栽”，“绵羊”，“沙发”，“火车”，“电视监视器”

已经训练好tensorflow的Faster RCNN模型下载，voc2007,可以直接进行目标检测

心脏病预测：该项目涉及训练机器学习模型（K邻居分类器），以87％的准确性预测某人是否患有心脏病

使用最新的paddlepaddle进行训练和保存模型，该模型可以进行继续训练或直接用于预测

在树莓派上用Tensorflow进行声音分类 建立项目 该项目是使用Python 2.7开发和测试的。 在PC / Workstation和Raspberry Pi上安装以下Python库： Tensorflow, Scikit-learn, Librosa 仅在您的Raspberry上安装以下库： Sounddevice 下载UrbanSound8K数据集 训练模型 设置在代码中下载数据集的正确路径。 在要保存训练后的模型的位置设置正确的路径。 在您的PC /工作站上运行“ trainModel.py”。 运行模型 在Raspberry Pi上导出经过训练的模型（“ model

包含红绿信号灯的训练样本，以及opencv_traincascade.exe、opencv_createsamples.exe以及训练出的模型xml文件

基于Tensorflow的Facenet 人脸识别实现，已训练好的模型（20170512-110547），可参考我的深度学习相关博客 https://blog.csdn.net/chzylucky/article/details/79680986