基于PaddlePaddle实现的EcapaTdnn声纹识别，训练更大数据集，这个模型使用的是spectrogram 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-PaddlePaddle/tree/develop

基于PaddlePaddle实现的EcapaTdnn声纹识别超大数据模型，这个模型使用的是声谱图（spectrogram） 注意是release/1.0分支，源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-PaddlePaddle/tree/release/1.0

基于PaddlePaddle实现的EcapaTdnn声纹识别超大数据模型，这个模型使用的是梅尔频谱（melspectrogram） 注意是release/1.0分支，源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-PaddlePaddle/tree/release/1.0

PPASR的V2版本训练Conformer模型文件，使用Fbank，纯PaddlePaddle，训练数据Wenetspeech。 源码地址：https://github.com/yeyupiaoling/PPASR

PPASR的V2版本训练DeepSpeech2模型文件，使用Fbank，纯PaddlePaddle，训练数据Wenetspeech。 源码地址：https://github.com/yeyupiaoling/PPASR

PPASR的V2版本训练Conformer模型文件，使用Fbank，纯PaddlePaddle，训练数据为超大数据集，13000+小时。 源码地址：https://github.com/yeyupiaoling/PPASR

基于PaddlePaddle实现的EcapaTdnn声纹识别，训练中文数据集，这个模型使用的是spectrogram 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-PaddlePaddle/tree/develop

前言 CrowdNet模型是2016年提出的人流密度估计模型，论文为《CrowdNet: A Deep Convolutional Network for DenseCrowd Counting》，CrowdNet模型主要有深层卷积神经网络和浅层卷积神经组成，通过输入原始图像和高斯滤波器得到的密度图进行训练，最终得到的模型估计图像中的行人的数量。当然这不仅仅可以用于人流密度估计，理论上其他的动物等等的密度估计应该也可以。 本项目开发环境为： Windows 10 Python 3.7 PaddlePaddle 2.0.0a0 CrowdNet模型实现 以下是CrowdNet模型的结构图，从结构图中可以看出，CrowdNet模型是深层卷积网络（Deep Network）和浅层卷积网络（Shallow Network）组成，两组网络通过拼接成一个网络，接着输入到一个卷积核数量和大小都是1的卷积

对于七天打卡的一个总结体会 首先是很感激这次百度的七日打卡营活动； 对于一名什么都不懂的小白来说（真真正正的小白），百度的这次7日打卡活动给我带来的的有很多。 在加入这次打卡活动之前我就只有一些c语言和python的学习，还有一点机器学习的概念知识。还记得在第一天的打卡中接触到了爬虫，并且这也是我第一次接触了爬虫，在百度七日打卡活动的直播中明白了爬虫的使用方法，这应该是我第一天最大的收获了。而且第一天的作业应该是比较简单的，但是我还是由于知识的匮乏，特别是python和数学的知识，并不能解答出来，不过多亏群里面大佬的博客我也能顺利地完成的作业。 同时，在后面的几日打卡活动中，收获更是满满，了解

Jetpack版本可以使用 jtop 命令查看。以下是该包编译时的设置项： -DWITH_CONTRIB=OFF -DWITH_MKL=OFF -DWITH_MKLDNN=OFF -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release -DON_INFER=ON -DWITH_PYTHON=ON -DWITH_XBYAK=OFF -DWITH_NV_JETSON=ON -DPY_VERSION=3.6 -DWITH_TENSORRT=ON -DCUDA_ARCH_NAME=Auto