代码实现及说明 # python 3.6 # TensorFlow实现简单的鸢尾花分类器 import matplotlib.pyplot as plt import tensorflow as tf import numpy as np from sklearn import datasets sess = tf.Session() #导入数据 iris = datasets.load_iris() # 是否是山鸢尾 0/1 binary_target = np.array([1. if x == 0 else 0. for x in

Role2Vec ⠀ ⠀ 基于学习角色的图嵌入的可扩展并行gensim实现（IJCAI 2018） 。 抽象的 随机游走是许多现有网络嵌入方法的核心。 但是，这样的算法由于使用随机游走而具有许多局限性，例如，由于这些方法所产生的特征与顶点身份相关联，因此无法转移到新的节点和图上。 在这项工作中，我们介绍了Role2Vec框架，该框架使用了归因于随机游走的灵活概念，并为泛化现有方法（例如DeepWalk，node2vec和许多利用随机游走的其他方法）奠定了基础。 我们提出的框架使这些方法可以更广泛地应用于转导和归纳学习，以及在具有属性的图上使用（如果可用）。 这是通过学习泛化到新节点和图的功能来实现的。 我们表明，我们提出的框架是有效的，平均AUC改善了16.55％，同时所需的空间比各种图形上的现有方法平均少853倍。 二阶随机游走采样方法取自的参考实现。 该模型现在也可在包中找到。

前端使用uniapp制作 后端使用若依前后端分离框架 检测模型采用VGG、Alexnet 文件包含课程设计报告书、数据库、源码、PPT、演示视频、操作步骤 一、所需软件 1. 识别模块:根据requirements.txt安装依赖包 2. 后端：mysql-8.0.28和Redis 3. pycharm、IDEA、HBuilderX、Navicat 15 for MySQL 二、运行过程 1.安装mysql-8.0.28和Redis 2.运行数据库文件 3.打开Redis和mysql 4.在IDEA打开运行后端文件，记得修改Redis端口和密码和数据库密码和端口号 5.在py运行requests.py文件发送get和put请求（一定要有模型，没有就训练），模型文件在models文件中 6.在HBuilderX打开前端文件，开始运行 7.开始使用

TenserFlow中文文档最新版，因为资源紧缺，从一个国外朋友手里拿到的。

使用于TensorFlow2 的多变量波士顿房价预测模型的代码，用于线性回归分析，此为直接在Anaconda的Jupyter 上使用

本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减

tensorflow-chatbot-中文 :person_running: [中文聊天机器人]具有bahdanau注意和Word2Vec预训练嵌入的seq2seq模型的Tensorflow实现 此基于撰写的。 如何 [选项1]重新训练模型 $ git clone https://github.com/AdrianHsu/tensorflow-chatbot-chinese.git # put your own training/eval data in the correct path, as shown above $ ./run.sh [选项2]使用预先训练的保护程序文件测试模型 您应该在下载经过预训练的模型，然后将其放入save/目录。 确保您的输入已经放置在正确的路径中，并且已通过文本分段API（例如jieba）进行了预处理。 $ ./hw2_seq2seq.sh 操作方法（网络） 您必须先下载冻结

用Keras实现我们的CIFAR10的图像分类 模型有LeNet，Network_in_Network，VGG，GoogLeNet，ResNet，ResNeXt，DenseNet，SENet还有Multi-GPU的方式 在资源中有全部代码的学习资料，并且包括所有的权重，代码所有都可运行，可执行，可复现代码的结果，进行了一个简单的比较各个模型在cifar10的数据的结果 除此之外，也搭载了可视化的功能，能够对数据有一个更加清晰的认识

人工智能-项目实践-文本分类-CNN-RNN中文文本分类，基于TensorFlow 使用卷积神经网络以及循环神经网络进行中文文本分类 CNN做句子分类的论文可以参看: Convolutional Neural Networks for Sentence Classification 以及字符级CNN的论文：Character-level Convolutional Networks for Text Classification 本文是基于TensorFlow在中文数据集上的简化实现，使用了字符级CNN和RNN对中文文本进行分类，达到了较好的效果。 文中所使用的Conv1D与论文中有些不同，详细参考官方文档：tf.nn.conv1d

TensorFlow 官方文档中文版.pdf，官方发布的中文版完整教程，内容完整详细，欢迎下载！