DoubleU-Net：用于医学图像分割的深度卷积神经网络 DoubleU-Net以VGG19作为编码器子网开始，其后是解码器子网。在网络中，输入图像被馈送到修改后的UNet（UNet1），后者会生成预测的蒙版（即output1）。然后，我们将输入图像与生成的蒙版（即output1）相乘，该蒙版用作第二个修改的U-Net（UNet2）的输入，该第二个U-Net（UNet2）生成另一个生成的蒙版（output2）。最后，我们将两个掩码（输出1和输出2）连接起来，以获得最终的预测掩码（输出）。 请在此处找到论文： ，Arxiv： 建筑学 数据集： 本实验使用以下数据集： MICCAI 2015细分挑战赛（用于培训的CVC-ClinicDB和用于测试的ETIS-Larib） CVC诊所数据库 病变边界分割挑战/ li> 2018数据科学碗挑战赛 超参数： 批次大小= 16 纪元数= 300

石头剪刀布视觉 使用实时摄像头让机器查看人的手，并使用卷积神经网络实时识别手（石头、纸或剪刀）的姿势。 系统要求 相机设备（例如笔记本电脑的内置网络摄像头） Python（3.6 或更高版本） Numpy（1.13.3 或更高版本） TensorFlow（1.8 或更高版本） 以下任一情况： PyGame（1.9.3 或更高版本） OpenCV（3.2.0 或更高版本） PyGame 与 OpenCV 要访问相机并在屏幕上显示 GUI 窗口，需要一个能够完成所有这些操作的库。 该项目目前支持 2 个库：PyGame 和 OpenCV。 任何一种都可以使用。 为了帮助您选择，这里是一个比较： OpenCV 优势： 适用于各种平台，包括 Linux 和 Windows。 OpenCV缺点： 作为一个成熟的计算机视觉库，它对于访问相机的小任务来说过于庞大和繁重。 轮子大小

本Demo 是为了在android上跑TensorFlow模型的 方便那些想把TensorFlow官网上的demo集成到自己项目里却又找不到头绪的人使用 正所谓前人栽树后人乘凉 https://github.com/tensorflow/tensorflow https://github.com/ildoonet/tf-pose-estimation Denis Tome, Chris Russell, Lourdes Agapito提出的Convolutional 3D Pose Estimation from a Single Image论文 在此特别感谢上述作者，喜欢原作的可以去使用原项目。同时欢迎大家下载体验本项目，如果使用过程中遇到什么问题，欢迎反馈。 如果需要自动打标请使用：https://github.com/yuxitong/AutoMarKingTensorFlowPython 另外特别感谢 zyxcambridge(https://github.com/zyxcambridge) 童鞋 manoshape(https://github.com/manoshape)

基于TensorFlow+OpenCV的焊缝识别 文章地址： https://blog.csdn.net/weixin_53403301/article/details/124505827

利用TensorFlow在ImageNet上实现PNASNet-5

pix2pix 描述 这是使用pix2pix进行音频源分离（混合到人声）的。 我将原始数据（混合和人声对数据集）预处理为可以作为二维图像处理的声谱图，然后训练模型。 有关详细的超hyperparams.py ，请参见文件hyperparams.py。 要求 NumPy> = 1.11.1 TensorFlow> = 1.0.0 解放军 数据 我使用的DSD100数据集由成对的混合音频文件和人声音频文件组成。 完整的数据集（〜14 GB）可以在下载。 文件描述 hyperparams.py包含所有需要的超级参数。 data.py加载训练数据并将其预处理为原始数据序列的单位。 modules.py包含网络的所有方法，构造块和跳过连接。 networks.py建立网络。 train.py用于培训。 训练网络 步骤1.如有必要，在hyperparams.py调整超级参数。 步骤2.如

首先安装vs2017，建立一个项目，通过nuget包安装tensorflowsharp，在引用中添加tensorflow，using tensorflow；

阿达·本 与论文工作相关的代码： “ AdaBnn：经过自适应结构学习训练的二值化神经网络” 该存储库当前包含两个协作笔记本： 带有实验性质的基于Keras实施AdaNet算法提出的由该文件实验“ ”在，对于学习神经网络结构为子网的集合。 此外，AdaBnn表示为对AdaNet的修改，它对运行时间施加了二进制约束，以尝试在时间方面提高性能，并且是一种基于“的正则化方式”。 “。 另外，包含的单独代码包含Adanet和AdaBnn实现及其文档。 一些发现 根据笔记本中提供的实验： 在自适应结构学习的情况下，对网络权重进行二值化具有类似的效果，即遗传算法中的突变率很高，在迭代之间很难遵循学习模式，在T迭代中不保持增量性能。 Adam优化在大多数情况下更适合于此类AdaBnn结构，并且迭代次数更少（本文中的T参数）。 目前，对AdaNet进行二值化处理并没有太大的改进，但它可能是为权重/激活添加约束作为自适应结构学习的正则化方法的起点。 进一步的工作 进一步的工作可能包括将二值化过程作为卷积子网的一部分，这是（M Courbariaux，2016）的最初建议。 例 导入依赖关

显着性方法 介绍 该存储库包含以下显着性技术的代码： XRAI *（，） SmoothGrad *（） 香草渐变（ ，） 引导反向传播（） 综合渐变（） 咬合 Grad-CAM（） 模糊IG *由PAIR开发。 此列表绝不是全面的。 我们正在接受请求添加新方法的请求！ 下载 pip install saliency 或开发版本： git clone https://github.com/pair-code/saliency cd saliency 用法 每个显着性掩码类都从SaliencyMask基类扩展。 此类包含以下方法： __init__(graph, sessio

【全部课程列表】 第1章 机器学习概述 共18页.pptx 第2章 Tensorflow基础 共15页.pptx 第3章 Tensorflow进阶 共11页.pptx 第4章 线性模型 共14页.pptx 第5章 支持向量机 共19页.pptx 第6章 神经网络 共41页.pptx 第7章 无监督学习 共13页.pptx 第8章 自然语言文本处理 共24页.pptx 第9章 语音处理 共16页.pptx 第10章 图像处理 共21页.pptx 第11章 人脸识别 共19页.pptx