基于TensorFlow的人脸识别系统，只需修改代码对应路径就可直接使用，可训练自己的模型去识别自己。代码简单易懂，适合新手学习。环境配置简单，本人已在电脑上测试过了，有问题可直接提问。首先使用相机拍摄相关数据集，然后直接使用程序将数据集进行处理，第二步使用tensorflow进行自己的模型训练，训练出来模型后就可以直接打开摄像头使用模型来对人脸进行识别，若摄像头人脸是自己，则会显示出你的名字，并标出人脸所在位置。

基于TensorFlow、CNN、清华数据集THUCNews的字符级卷积神经网络实现文本分类算法源码

语音识别 Tensorflow CTC 声学模型训练源代码 ，代码解析在https://blog.csdn.net/u012361418，希望能帮到初入语音识别的同学，欢迎大家提出宝贵的建议，大家一起学习，功能进步。

主要介绍了Tensorflow实现卷积神经网络用于人脸关键点识别，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧

inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5 这是VGG16网络在imagenet数据集上的预训练权重文件，不带连接层。仅仅需要5积分，自行下载提取哦。

Transformers 提供了数以千计的预训练模型，支持 100 多种语言的文本分类、信息抽取、问答、摘要、翻译、文本生成。它的宗旨让最先进的 NLP 技术人人易用。 Transformers 提供了便于快速下载和使用的API，让你可以把预训练模型用在给定文本、在你的数据集上微调然后通过 model hub 与社区共享。同时，每个定义的 Python 模块均完全独立，方便修改和快速研究实验。 Transformers 支持三个最热门的深度学习库： Jax, PyTorch and TensorFlow — 并与之无缝整合。你可以直接使用一个框架训练你的模型然后用另一个加载和推理。

第1章主要技术和工具介绍. 1.1TensorFlow 1.2微信小程序 1.3Node.js 1.4VantWeapp 1.5MySql数据库 1.6前后端分离技术 第2章需求分析 2.1系统功能需求分析 2.1.1需求概述............. 2.1.2用例分析 2.2系统业务流程分析. 第3章系统设计. 3.1系统结构设计.. 3.1.1系统功能模块图 3.1.2功能模块时序图.. 3.2数据库设计 3.2.1数据库设计概述 3.2.2实体联系 3.2.3表设计. 第4章系统实现. 4.1基本任务. 4.2小程序开发...... 4.2.1拍照页面..... 4.2.2拍视频页面 4.2.3我的页面 4.3水果识别实现 4.3.1环境搭建 4.3.2卷积层 4.3.3池化层 4.3.4全连接层 4.3.5损失层.... 4.3.6卷积神经网络的超参数设置 4.3.7神经网络搭建. 4.3.8训练数据集. 4.3.9识别精确度的提升. 4.3.10CNN特征可视化.. 4.3.11识别目标信息的采集.. 4.3.12封装水果识别软件接口 4.4Node后端的搭建.. 。。。。

YOLOv3_TensorFlow 注意：由于我已切换到PyTorch一年，因此不再维护此回购协议（实际上我已经取消了很长一段时间的支持）。 寿命短，我使用PyTorch。 1.简介 这是我在纯TensorFlow中实现的 。 它包含有关您自己的数据集的完整培训和评估流程。 此仓库的主要功能是： 高效的tf.data管道 权重转换器（将COCO数据集上的预训练暗网权重转换为TensorFlow检查点。） 极快的GPU非最大抑制。 完整的培训和评估渠道。 Kmeans算法选择先验锚框。 2.要求 Python版本：2或3 包装方式： tensorflow> = 1.8.0（理论上任

白话深度学习与TensorFlow.html.rar

内外积代数运算及python,tensorflow,matlab语句的实现 在进行数学运算的时候经常会碰到向量以及矩阵的乘法，如果对符号和概念没有搞清楚的话经常会出现错误，尤其是将数学表达式代码化的时候，如果搞不清数据的维度以及做的是哪种乘法的话也会出现一些无法避免的错误，轻则代码量较小，代码跑几秒提示错误，然后改正。重则成百上千行的代码反复尝试多次不知道错在哪里，浪费大量不必要的时间，我也是经常遇到向量以及矩阵的运算，一次搞清楚事后不复习又忘记，然后再查再忘，今天就索性自己写一篇博客，将常见的内积和外积的代数运算做一下梳理，如果能给碰到同样问题的朋友提供一些参考那就再好不过了。因为matla