TensorFlow中的深度学习模型 该存储库包含使用实现几种深度学习模型的jupyter笔记本。 每个笔记本均包含有关每种型号的详细说明，希望可以简化所有步骤。 笔记本在Python 3.6，Tensorflow 1.8中运行 楷模：

参考： CNN系列模型发展简述（附github代码——已全部跑通） – KevinCK的文章 – 知乎 https://zhuanlan.zhihu.com/p/66215918 演变 LeNet：2个卷积3个全连接，最早用于数字识别 AlexNet：12年ImageNet冠军，5个卷积3个全连接，多个小卷积代替单一大卷积；使用ReLU激活函数，解决梯度小数问题；引入dropout避免模型过拟合；最大池化。 ZF-Net：13年ImageNet冠军，只用了一块 GPU 的稠密连接结构；将AlexNet第一层卷积核由11变成7，步长由4变为2。 VGG-Nets：14年ImageNet分类第二名

深度学习之年龄预测，Python版本，单张图像检测和视频流中人物年龄预测，环境为： - win10 - pycharm - anaconda3 - python3.7 - opencv4.2.0 文章地址：https://blog.csdn.net/y459541195/article/details/105611391

《21个项目玩转深度学习-基于tensorflow的实战详解》项目20源码，深度强化学习：Deep Q learning

踩过很多博主的坑，代码都有问题，本人做了一系列修改，最终成功跑通，这份代码能直接下载了就能用，免费分享给大家使用

基于DCGAN的光伏面板故障检测（APP与数据集）

[深度应用]·DC竞赛轴承故障检测开源Baseline（基于Keras1D卷积 val_acc:0.99780） 轴承是在机械设备中具有广泛应用的关键部件之一。由于过载，疲劳，磨损，腐蚀等原因，轴承在机器操作过程中容易损坏。事实上，超过50％的旋转机器故障与轴承故障有关。实际上，滚动轴承故障可能导致设备剧烈摇晃，设备停机，停止生产，甚至造成人员伤亡。一般来说，早期的轴承弱故障是复杂的，难以检测。因此，轴承状态的监测和分析非常重要，它可以发现轴承的早期弱故障，防止故障造成损失。 最近，轴承的故障检测和诊断一直备受关注。在所有类型的轴承故障诊断方法中，振动信号分析是最主要和有用的工具之一。 在这次比赛中，我们提供一个真实的轴承振动信号数据集，选手需要使用机器学习技术判断轴承的工作状态。

本系统具有友好的用户操作界面，可以对车牌识别进行结果的展示，通过界面对车牌识别进行分析。 基于 CNN+Yolo 的车牌识别是一种先进的计算机视觉技术，它可以自动识别道路上的车辆并记录下车牌信息。该技术结合了深度学习和目标检测算法，具有高准确性和高效性。 在该技术中，CNN 是一种用于图像分析的深度学习算法，它可以对图像进行自动分类和识别。Yolo 是一种目标检测算法，它可以在图像中自动检测出目标并给出其位置和大小。这两种算法的结合使用可以实现高效的车牌识别。 在实现过程中，首先需要对图像进行预处理，包括去噪、图像增强和尺寸归一化等步骤。接着，使用 CNN 算法对图像进行特征提取，并将其与训练数据进行比对，从而识别出车牌的位置和类型。同时，使用 Yolo 算法对车牌进行精确定位和检测，以确保车牌的完整性和准确性。 该技术的应用场景广泛，例如智能交通系统、停车场管理、安防监控等。在未来，随着计算机视觉技术的不断发展和完善，基于 CNN+Yolo 的车牌识别技术将会得到更广泛的应用，为人们的生活带来更多的便利。同时，该技术还可以应用于车牌的伪造和篡改检测，有助于保障交通安全和社会稳定。

Adobe composition-1k数据集只包含alpha和fg（以及测试集中的trimap）。 文件内容包括如下： ├── adobe_composition-1k │ ├── Test_set │ │ ├── Adobe-licensed images │ │ │ ├── alpha │ │ │ ├── fg │ │ │ ├── trimaps │ ├── Training_set │ │ ├── Adobe-licensed images │ │ │ ├── alpha │ │ │ ├── fg │ │ ├── Other │ │ │ ├── alpha │ │ │ ├── fg 总的来说，数据集文件收集不易，但是完整的，总共体积大小为410MB左右，如果要合成图像的话还需要经过后续转换步骤，涉及COCO训练数据和VOC测试数据。

针对以人为中心的井下视频监控模式存在持续时间受限、多场景同时监视困难、人工监视结果处理不及时等问题,提出了基于深度卷积神经网络的井下人员目标检测方法。首先将输入图片缩放为固定尺寸,通过深度卷积神经网络操作后形成特征图;然后,通过区域建议网络在特征图上形成建议区域,并将建议区域池化为统一大小,送入全连接层进行运算;最后,根据概率分数高低选择最好的建议区域,自动生成需要的目标检测框。测试结果表明,该方法可以成功检测出矿井工作人员的头部目标,准确率达到87.6%。