基于tensorflow实现的yolov1，可以直接运行。

简单分享一下自己遇到过的深度网络的一些模型, 这个是基于tensorflow框架的deeplabv3+网络的一个pb网络文件, 是自己根据这位大佬, 我心中的一位老师, 相关链接如下:https://blog.csdn.net/weixin_44791964?type=blog. 因为相关文章链接较长, 给大家这个博主主页的链接吧. 如果想去探索这个网络, 可以去看看. 这位老师太强了. 哈哈哈, 不推荐了. 再说一下这个资源的问题, 因为相关模型文件都很大, 很多github项目不会放相关网络文件, 所以对于自己学习太困难的, 因为没有这么多资源去自己训练, 所以希望上传这个资源对你有用吧. 有什么问题可以及时反馈~

在c++中运行TensorFlow模型，不需要安装，也不需要Bazel - serizba/cppflow-源码

tensorflow GPU DLL libtensorflow-gpu-windows-x86_64-2.3.0.zip

基于Tensorflow的手势识别+数据集+项目操作说明(期末大作业).zip 资源包含10种手势数据集 包含训练模型的代码和预测代码，可自己训练模型。 人工智能课程期末大作业，导师指导，项目小组已评优，可放心下载使用借鉴！

可变自动编码器 文章中的器模型的实现。 模型在MNIST数据上进行了测试。 生成数字的示例 要求 张量流> 2 麻木 matplotlib

建筑视觉 Isola等人在论文“使用条件对抗网络进行图像到图像转换”（ ）中详细介绍了GAN的实现。 为CMU 10-401机器学习课程最终项目（2017年Spring）创建。 写上去 或阅读以下内容。 使用GAN从草图生成建筑的真实感图像 抽象的 将给定的输入图像转换为另一个转换后的输出图像的想法是一个有趣的概念。 我们在此项目中采用的方法是使用生成对抗网络（GAN）学习可以执行此任务的生成模型。 这种方法的好处在于，可以从数据中学习损失函数，因此可以将同一网络应用于各种不同的图像到图像的转换问题。 我们介绍了我们的网络体系结构以及使用这种方法将猫，鞋子和建筑物的草图转换为逼真的对象的结果。 介绍 我们希望了解如何从图像的简单草图中生成逼真的图像。 为此，我们对“有条件对抗网络的图像到图像转换”（Isola等人，2016）中描述的算法进行了批评和实施。 本文研究了如何将条件对抗网络用于

机器学习框架之TensorFlow学习

这里放了文章“可解释人工智能技术-积分梯度”中使用到的测试图片和模型。 图片是在百度上下载的一张波斯猫图片。 模型是从tensorflow hub获取的inception v5模型。放在这里方便大家进行实验。

Keras CNN分类器 该存储库提供代码以根据Tensorflow 2.0中Keras API提供的预训练卷积神经网络（CNN）设置和训练自己的图像分类器。 您可以利用转移学习对自己收集的数据集进行训练，或者从头开始训练网络以比较大型数据集的性能。 如何使用 这个仓库的主要代码包含在ClassifierCNN类Classifier.py 。 您真正需要做的就是导入该类，设置一个适当的实例来指定所需的数据集和模型，一切顺利。 下面提供了一些示例： # Import pre-trained Keras CNN Model from keras.applications.densenet import DenseNet169 # Import ClassifierCNN class from Classifier import ClassifierCNN # Instantiate clas