本文将详细展示一个多类支持向量机分类器训练iris数据集来分类三种花。 SVM算法最初是为二值分类问题设计的，但是也可以通过一些策略使得其能进行多类分类。主要的两种策略是：一对多（one versus all）方法；一对一（one versus one）方法。 一对一方法是在任意两类样本之间设计创建一个二值分类器，然后得票最多的类别即为该未知样本的预测类别。但是当类别（k类）很多的时候，就必须创建k！/（k-2）！2！个分类器，计算的代价还是相当大的。 另外一种实现多类分类器的方法是一对多，其为每类创建一个分类器。最后的预测类别是具有最大SVM间隔的类别。本文将实现该方法。 我们将加载iris

安装CUDA经常显示丢失的DLL库。在运行tensorflow时，报错can`t load cublasLt64_11.dll。tensorflow10.1系列dll文件cublas64_11.dll、cublas64_100.dll等

A Tensorflow implementation of FPN detection framework.

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

张量流 该存储库实现了一个Tensorflow框架，用于执行自然语言处理（NLP）任务。 该存储库包含用于不同编程语言的脚本和库。 用于创建神经网络，执行训练和测试，导出网络模型的Python 。 Java，用于加载预训练的网络模型，执行推理或在生产中提供服务。 Node.js，用于加载预训练的网络模型，执行测试和推理。 为什么选择tensorflow-NLP？ 该框架的目的是允许使用模块化代码轻松地为任何NLP任务设计网络，并始终保持相同的输入/输出结构。 如果您的主要用例是在生产中部署保存的模型，那么这非常有用，即使您想使用其他编程语言访问该模型也是如此。 通过使用同一脚本可以评估当前在不同任务上实施的所有网络这一事实，证明了该框架的有效性。 用法： 有关如何安装，配置和运行所有内容的说明，请参见其特定语言目录的自述文件。 您应该从Python库开始，从头开始训练任何网络。

成功运行CycleGAN TensorFlow代码-附件资源

netron是一个深度学习模型可视化库，其支持以下格式的模型存储文件： ONNX (.onnx, .pb) Keras (.h5, .keras) CoreML (.mlmodel) TensorFlow Lite (.tflite) netron并不支持pytorch通过torch.save方法导出的模型文件，因此在pytorch保存模型的时候，需要将其导出为onnx格式的模型文件，可以利用torch.onnx模块实现这一目标。

captcha_cracker 简介 这是一个基于 编写的卷积神经网络模型，简单实现的验证码识别功能。 是一款 社区中流行的验证码生成库, 项目模型的训练集以及在线测试所用到的验证码均采用该库生成。 运行环境 Ubuntu16.04 python3.5.2 virtualenv Tensorflow Backend 实现原理 用 Captcha 生成2组每组2000个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为训练集（每组8000张图片）。 生成2组每组500个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为测试集（每组2000张图片）。 运行 pack_data.py 将图片转为 RGB 矩阵并用cPic

ESPCN-TensorFlow TensorFlow（ESPCN）中高效子像素卷积神经网络的TensorFlow实现。 基于网络和本改编的代码。 这个网络可以实现的实时性能 ，同时也超越了质量 。 先决条件 Python 2.7 TensorFlow 脾气暴躁的 Scipy版本> 0.18 用法 在训练每个新模型之前，运行prepare_data.py格式化训练和验证数据培训： python train.py 可以指定时期，学习率，批量大小等： python train.py --epochs 10 --learning_rate 0.0001 --batch_size 32 用于生成： python generate.py 必须指定检查点，低分辨率图像和输出路径python generate.py --checkpoint logdir_2x/train --lr_image

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：