基于OpenCV和TensorFlow的生活垃圾图像分类识别 前后端结合的项目 trash_classify_demo1 基于OpenCV对图像的二值图进行轮廓识别，并得到其边界矩形。通过此方法，大概率能够框选得到图片中的主要物体，并基于框选出的方框对图像进行裁剪为224*224的尺寸。 trash_classify_demo2 ./cnn_test.py 为此前自己摸索的卷积神经网络，训练起来准确率不佳，遂改用VGG16模型。 ./trash_classify_demo2/cnn_test.py 基于VGG16模型，增加bn层促使模型收敛。将训练集迭代训练约15次，训练集准确度约80%-90%，测试集准确度约60%。 关于label，格式为“图片名称 类别”，由于上传大小所限，仅上传label文档，未上传数据集。 trash_classify_demo3 一些项目进行中所编写的小程序，包括爬虫批量下载图片、调整图片尺寸、计算图片平均RGB值和生成标签文档。 trash_classify_demo4 程序的web前端界面。 包括图像上传、识别功能，垃圾分了科普功能，显示模型

迁移学习在深度学习中是经常被使用的方法，指的是在一个任务中预训练的模型被用于另一个任务的模型训练，以加快模型训练，减少资源消耗。 然而网络搜索相关的话题，基本上只涉及加载预训练模型的特定变量值的方法，即不涉及预训练模型某个变量与当前任务网络对应变量shape改变的处理。 在具体的语音合成多说话人模型迁移学习得到单说话人模型的任务中，就涉及到了迁移变量改变shape的情况，将解决方法如下列出。 文章目录一. 问题来源二. 相关接口三. 解决方法 一. 问题来源        语音合成多说话人模型迁移学习得到单说话人模型的任务中，涉及了迁移变量改变shape的情况。        一个不可避免的是

机器学习实战，促进学习，交流，更好的为人类发展做出贡献，此版本有中文，英文版本，还有源码，

使用CNN进行面部表情识别：使用CNN和Keras和Tensorflow创建的面部表情识别模型

聊天学习者 在TensorFlow中基于新的序列到序列（NMT）模型实现的聊天机器人，具有无缝集成的某些规则。 对于那些对中文聊天机器人感兴趣的人，请。 ChatLearner（Papaya）的核心是基于NMT模型（ ）构建的，此处已对其进行了调整以适应聊天机器人的需求。 由于TensorFlow 1.4中tf.data API的更改以及自TensorFlow 1.12以来的许多其他更改，此ChatLearner版本仅支持TF版本1.4至1.11。 如果您需要支持TensorFlow 1.12，可以在tokenizeddata.py文件中进行轻松更新。 在开始其他一切之前，您可能需要

CycleGAN的Tensorflow简单版本实现

tensorflow官方提供了3种方法来读取数据： 预加载数据(preloaded data)：在TensorFlow图中定义常量或变量来保存所有的数据，适用于数据量不太大的情况。填充数据(feeding)：通过Python产生数据，然后再把数据填充到后端。 从文件读取数据(reading from file)：从文件中直接读取，然后通过队列管理器从文件中读取数据。 本文主要介绍第三种方法，通过tfrecord文件来保存和读取数据，对于前两种读取数据的方式也会进行一个简单的介绍。 项目下载github地址：https://github.com/steelOneself/tensorflow_l

tensorflow API新旧对照表，修改了tensorflow 2.0以前版本的api 和2.0版本的匹配问题。对照表很详细。

猫和狗 当我们的数据集不足时，最常用的方法之一是使用预先训练的模型。 在我们的案例中，我们将考虑在ImageNet数据集上训练的大型卷积网络（140万个带标签的图像和1000个不同的类）。 ImageNet包含许多动物类别，包括不同种类的猫和狗，因此我们可以期望在猫与狗的分类问题上表现出色。 我们可以使用的一些主干： •Xception•InceptionV3•ResNet50•VGG16•VGG19•MobileNet 我将使用由Karen Simonyan和Andrew Zisserman在2014年开发的VGG16架构，该架构是ImageNet的一种简单且广泛使用的convnet架构。 VGG16： from keras.applications import VGG16 conv_base=VGG16(weights=('imagenet'),

tensorflow ocr 识别，人工智能，数据就是一个文件夹，下面有各种图片，然后运行