具有完整源代码的TensorFlow2版本的MobileNetv2 具有完整源代码的TensorFlow2版本的MobileNetv2。 使用Kaggle dogs-vs-cats数据集从头开始训练MobileNetv2模型。 当前状态 在ZCU102上测试 使用的工具：带有额外补丁的TensorFlow2.3和Vitis AI 1.3.2 数据集： 网络：MobileNetv2 介绍 我们将执行以下步骤： 下载并准备Kaggle dogs-vs-cats数据集。 将图像转换为TFRecords。 使用TensorFlow的内置Keras版本对自定义CNN进行培训和评估。 使用作为Vitis AI的一部分提供的Xilinx:registered:量化器对浮点模型进行量化。 使用dogs-vs-cats测试数据集评估量化模型。 编译量化模型以在目标板上执行。 使用提供的Python脚本在目标板上

深度可分离卷积神经网络1. 深度可分离卷积网络介绍1. 1 深度可分离卷积网络与普通卷积网络1.2 普通卷积与深度可分离卷积计算量对比2. 深度可分离卷积网络实现2.1 导入相应的库2.2 数据集的加载与处理2.3 构建模型2.4 2.4 模型的编译与训练2.5 学习曲线绘制2.6 模型验证 1. 深度可分离卷积网络介绍 1. 1 深度可分离卷积网络与普通卷积网络 深度可分离卷积神经网络是卷积神经网络的一个变种，可以对卷积神经网络进行替代。对于普通的卷积申请网络，如下图左边部分所示，由卷积层，批归一化操作与激活函数构成的。对于深度可分离卷积网络，它是由一个3×3深度可分离的卷积层，批归一化，

源代码直接编译的pip软件包tensorflow2.0，适用于mac catalina10.15.1系统，环境python3.7.5，注意python3请用brew工具安装 使用方法:"pip3 install tf_nightly-2.0.0-cp37-cp37m-macosx_10_14_x86_64.whl" 可能会需要keras等依赖按提示操作即可

CutMix增强-Keras

使用tushare下载贵州茅台的股票数据，根据贵州茅台的历史数据，使用tensorflow2.0 实现RNN和LSTM预测股票开盘价

windows离线环境下通过拷贝安装包一步步配置tensorflow2 CPU版本 Tensorflow用了这么久，配置也是越来越简单了，通常tensorflow配置都可以通过pip install自动完成，但有些不可以连接互联网的情况下就得一点点从官网抠下来安装包，手动配置tf环境。本文就主要记录了一下win离线环境配置tf2的过程，坑也不多，主要自己记录一下，也希望别人可以方便一点。

Faster-Rcnn：Two-Stage目标检测模型在Tensorflow2当中的实现 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 - - 77.5 所需环境 tensorflow-gpu==2.2.0 文件下载 训练所需的voc_weights.h5可以去百度网盘下载 链接: 提取码: 92e8 VOC数据集下载地址如下： VOC2007+2012训练集 链接: 提取码: eiw9 VOC2007测试集 链接: 提取码: dsda 预测步骤 a、使用预训练权重 下载完库后解压，在百度网盘下载voc_weights.h5，放入model_data，运行predict.py，输入 img/street.jpg 利用video.py可进行摄像头检测。 b、使用自己训练的权重 按照训

10-monkey-species 数据集是一个10类不同品种猴子的数据集，这个数据集是从kaggle平台中下载到本地使用的，在这个分类猴子的数据集中我们使用resnet50模型来做迁移学习fine tune，并且最终实现向模型中输入一张图片能够打印出该图片属于哪类猴子品种的结果。 import matplotlib as mpl #画图用的库 import matplotlib.pyplot as plt #下面这一句是为了可以在notebook中画图 %matplotlib inline import numpy as np import sklearn #机器学习算法库 impor

tensorflow2 5种优化器 SGD,SGDM,ADAGRAD,RMSPROP,ADAM 在鸢尾花数据集中的对比，word 文档。

Tensorflow2 GoogLeNet 实现