1 概述 1 2 系统开发环境 3 系统分析 8 3.1 可行性分析 3.1.1 技术可行性 3.1.2操作可行性 3.1.3 经济可行性 3.1.4 法律可行性 9 3.2需求分析 9 3.2.1 功能需求分析 9 3.2.2 性能需求分析 10 3.3开发环境分析 10 3.4界面需求 4 系统设计 4.1系统设计原则 12 4.2系统流程设计 12 4.2.1系统开发流程 12 4.2.2 添加信息流程 13 4.2.3 人脸识别流程 14 4.3 系统功能设计 15 4.4 数据库设计 15 4.4.1 数据库设计原则 4.4.2 数据库实体 16 4.4.3 数据库表设计 16 5系统实现 18 5.1 登录 18 5.2 注册 18 5.3 识别签到 6系统测试 25 6.1测试环境与条件 6.2功能测试 6.3可用性测试 26 6.4测试结果分析 26 结 论 27 致 谢 28 参考文献 29

1 概述 1 1.1课题背景及意义 1 1.2 国内外研究现状 1 1.3 本课题主要工作 2 2 系统开发环境 3 2.1 python简介 3 2.2 人脸识别简介 4 2.3 SQLite 5 2.4 Django介绍 6 2.5 TensorFlow 7 3 系统分析 8 3.1 可行性分析 8 3.1.1 技术可行性 8 3.1.2操作可行性 8 3.1.3 经济可行性 9 3.1.4 法律可行性 9 3.2需求分析 9 3.2.1 功能需求分析 9 3.2.2 性能需求分析 10 3.3开发环境分析 10 3.4界面需求 10 4 系统设计 12 4.1系统设计原则 12 4.2系统流程设计 12 4.2.1系统开发流程 12 4.2.2 添加信息流程 13 4.2.3 人脸识别流程 14 4.3 系统功能设计 15 4.4 数据库设计 15 4.4.1 数据库设计原则 15 4.4.2 数据库实体 16 4.4.3 数据库表设计 16 5系统实现 18 5.1 登录 18 5.2 注册 18 5.3 识别签到 20 6系统测试 25 6.1测试环境与条件 25 。。。。。

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

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

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

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.. 。。。。

基于TensorFlow的Android平台实时车辆和交通标志牌检测的研究 基于TensorFlow的Android平台实时车辆和交通标志牌检测的研究 基于TensorFlow的Android平台实时车辆和交通标志牌检测的研究 基于TensorFlow的Android平台实时车辆和交通标志牌检测的研究 基于TensorFlow的Android平台实时车辆和交通标志牌检测的研究 基于TensorFlow的Android平台实时车辆和交通标志牌检测的研究 基于TensorFlow的Android平台实时车辆和交通标志牌检测的研究 基于TensorFlow的Android平台实时车辆和交通标志牌检测的研究 基于TensorFlow的Android平台实时车辆和交通标志牌检测的研究 基于TensorFlow的Android平台实时车辆和交通标志牌检测的研究 基于TensorFlow的Android平台实时车辆和交通标志牌检测的研究 基于TensorFlow的Android平台实时车辆和交通标志牌检测的研究 基于TensorFlow的Android

基于TensorFlow的自动化行人检测（人体检测）和监控（视频监控）系统 监控在安保和巡查中发挥着重要作用，但也是一项非常乏味的任务，深度学习的出现在一定程度上将人类从这一任务中解放出来。本项目基于深度学习的目标检测去搭建了一个简单有效的监控系统，能够自动化进行人流统计和行人检测。 Python3.5 pip TensorFlow-1.11.0-GPU Python版本OpenCV requests pip3 install requests frozen_inference_graph.pb Nginx with RTMP 展示系统基于Idea集成开发环境进行开发，SSM框架中的依赖均基于Maven进行配置，在Idea中导入web目录下的工程，导出war包，将war包放在服务器tomcat/webapps目录下，运行./startup.sh,启动tomcat容器；

基于Tensorflow Lite框架,在 Android 上的一次尝试性实验。 本实验参考Google官方Github文档tensorflow/tensorflow 中的TF Classify， 通过训练不同的司机面部的模型，接着把它部署在了Android手机上，最后增加了一个原先没有的切换前后摄像头的功能。 安装 Bazel (参考Bazel官方教程) 安装 JDK 8 安装并更新 Bazel 下载 Tensorflow 源码 下载 Android studio 和 An