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

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

基于Pytorch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-Pytorch/tree/develop

基于Pytorch实现的EcapaTdnn声纹识别，训练中文数据集，这个模型使用的是fbank预处理方法。 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Pytorch/tree/develop

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，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

Python语言，调用dlib训练好的人脸识别模型，完成人脸识别

PocketSphinx中文模型

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