基于tensorflow和keras的cifar10图像分类源码，5星级源码

本资源是《21个项目玩转深度学习：基于TensorFlow的实践详解》教程的源代码，供计算机相关领域的技术人员与爱好者学习。

基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别源码+检测数据集，已获高分通过项目。内附文档说明等等资料。 数据集： 共约364万张图片，按照99:1划分成训练集和验证集 数据利用中文语料库（新闻 + 文言文），通过字体、大小、灰度、模糊、透视、拉伸等变化随机生成 包含汉字、英文字母、数字和标点共5990个字符 人工智能综合实践课程设计工程项目。 本项目基于文本检测，文本识别算法以及Transformer模型和pyttsx3库实现文本识别到翻译再到输出的任务。 基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别 基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别，已获高分通过项目。内附文档说明等等资料。 人工智能综合实践课程设计工程项目。 本项目基于文本检测，文本识别算法以及Transformer模型和pyttsx3库实现文本识别到翻译再到输出的任务。 基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别

了解RNN的基本单元及其改进之后，接下来我们使用RNN进行一个简单的名字生成实战来了解实际使用中需要注意的地方及要点，废话不多说。。。 目录 一、数据预处理及加载 1、数据预处理 2、数据加载 二、RNN模型搭建 三、在动态图中训练模型 四、模型预测 五、RNN模型的优化技巧 一、数据预处理及加载 这里使用的数据为一系列的英文人名，具体链接: https://pan.baidu.com/s/1pPCw_dRUXQnwH1YOsKqxXQ， 提取码: cx5w。 1、数据预处理 文本是一类序列数据，一篇文章可以看作是字符或单词的序列，本节将介绍文本数据的常见预处理步骤，预处理通常包括四个步骤：

基于Tensorflow框架实现神经网络模型对手写数字的识别 基于Tensorflow框架实现神经网络模型对手写数字的识别 基于Tensorflow框架实现神经网络模型对手写数字的识别 基于Tensorflow框架实现神经网络模型对手写数字的识别

基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。 Faster R-CNN 实现目标检测 tensorflow 基于tensorflow搭建Faster R-CNN实现目标检测任务 有代码 有数据 可直接运行。 Faster R-CNN 实现目标检测 tensorflow

本资源包括：程序、实验和论文【均原创】 我们在windows系统下，基于python3.7和tensorflow，通过ensorflow、numpy、opencv和dlib库搭建了人脸识别的环境。通过使用dlib自带的frontal_face_detector作为特征提取器，摄像头扫描读取用户人脸，然后利用三层卷积神经网络进行多轮训练学习，得出较小的损失率和较大的准确率模型。利用训练好的模型来识别，扫描出脸是否为用户的脸。 技术特点： ①本程序使用dlib来识别人脸部分，也可以程序中使用的是dlib来识别人脸部分，也可以使用opencv来识别人脸。 ②本程序中加入了对比度与亮度的模块，这样可以提高训练后识别自己的成功率，也提高照片样本的多样性。对比度和亮度值都取随机数。 收集其他人的图片集，使用dlib中detecotr批量识别图片中的人脸部分。调整图片的格式后，保存。 ③人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。 ④将图片和标签转化为数组，随机化为训练集和测试集，每次取4张图片。

基于TensorFlow.js的YOLOv5实时目标检测项目源码.zip

基于TensorFlow的数字识别软件，有GUI界面，可以使用GPU进行训练，仅测试过python2.7版本，直接运行ui.py即可，其他功能直接点击按钮，可进行神经网络训练，单张图片识别等，需要导入TensorFlow等模块，适合作为课堂作业提交

人工智能-项目实践-实体识别-基于tensorflow深度学习的中文的命名实体识别 一个中文的实体命名识别系统 当前版本基于双向循环神经网络（BiRNN） + 条件随机场（CRF）来完成实体的标注。 基本思路是利用深度神经网络提取特征，从而避免了手动提取特征的麻烦。 第二部和传统的方式一样，使用CRF在做最后的标注。 该程序使用Tensorflow完成，使用了当前较新的DataSet API，使数据预处理和feed更优雅。 由于使用了新的API， Tensorflow版本必须大于1.2.0，代码升级后使用的是TensorFlow1.4，不确定原来Tensorflow1.2是否还兼容。