用TensorFlow实现的端到端自动语音识别系统 Automatic-Speech-Recognition 在 TensorFlow 中实现的端到端自动语音识别系统。 最近更新支持 TensorFlow r1.0 (2017-02-24) 支持动态 rnn 的 dropout (2017-03-11) 支持在 shell 文件中运行 (2017-03-11) 支持每几个训练周期自动评估 (2017-03- 11) 修复字符级自动语音识别的bug (2017-03-14) 改进一些可重用的函数apis (2017-03-14) 为数据预处理添加缩放(2017-03-15) 为LibriSpeech 训练添加可重用支持( 2017-03-15) 添加简单的 n-gram 模型用于随机生成或统计使用 (2017-03-23) 改进一些用于预处理和训练的代码 (2017-03-23) 用空格替换 TAB 并添加 nist2wav 转换器脚本(2017-04-20) 增加一些数据准备代码 (2017-05-01) 增加WSJ 语料库标准预处理s5 recipe (2017-05-05) 项目

卷积网络、实践调参、循环递归网络、数学基础、有向生成网络、玻尔兹曼机、生成对抗网络.......

TensorFlow Lite:针对边缘端模型优化

Hands-on Machine Learning with Scikit-Learn and Tensorflow 第二章所有jupyter python代码以及教程，免费！

在树莓派使用conda安装tensorflow时，一般使用conda和pip安装容易出错和速度慢。 我建议使用已经编译好的whl文件进行安装，既简单又实用， 只需要一句pip install tensorflow-2.4.0-cp37-none-linux_aarch64.whl 就可以安装。 重点：只是用与python3.7版本，既不是python3.6，也不是python3.7 我们在下载tensorflow已经编译好的.whl文件，不建议使用conda和pip命令安装 建议使用pip install tensorflow-2.4.0-cp37-none-linux_aarch64.whl安装 建议使用pip install tensorflow-2.4.0-cp37-none-linux_aarch64.whl安装 建议使用pip install tensorflow-2.4.0-cp37-none-linux_aarch64.whl安装 建议使用pip install tensorflow-2.4.0-cp37-none-linux_aarch64.whl安装

一、概述 AutoEncoder大致是一个将数据的高维特征进行压缩降维编码，再经过相反的解码过程的一种学习方法。学习过程中通过解码得到的最终结果与原数据进行比较，通过修正权重偏置参数降低损失函数，不断提高对原数据的复原能力。学习完成后，前半段的编码过程得到结果即可代表原数据的低维“特征值”。通过学习得到的自编码器模型可以实现将高维数据压缩至所期望的维度，原理与PCA相似。 二、模型实现 1. AutoEncoder 首先在MNIST数据集上，实现特征压缩和特征解压并可视化比较解压后的数据与原数据的对照。 先看代码： import tensorflow as tf import numpy

cadrl_ros（使用Deep RL避免冲突） 用Deep RL训练的动态避障算法的ROS实现 纸： M.Everett，Y.Chen和JP How，《具有深度强化学习的动态决策代理之间的运动计划》，IEEE / RSJ国际智能机器人和系统会议（IROS），2018年 论文： : 视频： : Bibtex： @inproceedings{Everett18_IROS, address = {Madrid, Spain}, author = {Everett, Michael and Chen, Yu Fan and How, Jonathan P.}, bookti

Google老师亲授TensorFlow2.0入门到进阶（教学视频、笔记） 第1章 Tensorflow简介与环境搭建 第2章 Tensorflow keras实战 第3章 Tensorflow基础API使用 第4章 Tensorflow dataset使用 第5章 Tensorflow Estimator使用与tf1.0 第6章 卷积神经网络 第7章 循环神经网络 第8章 Tensorflow分布式 第9章 Tensorflow模型保存与部署 资料

最简单的GAN网络展示。机器学习的模型可大体分为两类，生成模型（Generative Model）和判别模型（Discriminative Model）。

Raspbarry_Tensorflow_Robot 基于Tensorflow的树莓派智能识别机器人 实现功能 1.通过树莓派GPIO口控制机器人前后左右移动以及机械臂运动，通过步进电机控制摄像头上下移动。（采用非阻塞输入） 2.使用Tensorflow进行图像识别。 3.使用RPI Cam web 接口将视频信息实时传送到web端。 4.取识别的内容中可能性最大的进行语音输出。