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

在这个项目中，我使用 Python 和 TensorFlow 对交通标志进行分类。使用的数据集：德国交通标志数据集。该数据集包含 43 个类别的 50,000 多张图像。我能够达到 +99% 的验证准确度和 97.3% 的测试准确度。加载数据。 数据集总结与探索 数据预处理。 洗牌。 灰度。 局部直方图均衡。 正常化。 设计模型架构。 LeNet-5。 VGG 网络。 模型训练和评估。 使用测试集测试模型。 在新图像上测试模型。

TFDeepSurv 通过张量流实现Deep Cox比例风险模型和生存分析。 建议的TensorFlow版本为1.15.3。 并且模块测试在TensorFlow-1.15.3下通过了。 注意： 已发布。 旧版本位于分支archive_v1 。 与v1.0版本相比，当前版本有了很大的改进： 建立计算图的速度 利用原始的tensorflow操作来计算损失函数（用于处理关系） 生存数据的统一格式 代码优雅而简单 如果您有任何问题，请先阅读以下常见问题解答，或直接发送电子邮件给我。 1.与DeepSurv的区别 是Deep Cox比例风险模型的软件包，在Github上开源。 但是我们的作品可能会发光： 在您的生存数据中支持死亡时间的联系，这意味着不同的损失函数和生存函数的估计量（ Breslow近似）。 提供生存函数估计。 使用科学方法-贝叶斯超参数优化来调整DNN的超参数。 通