使用TensorFlow-2.0进行深度学习 使用Tensorflow 2.0从零开始实现自己的深度学习模型 这是由发布的的代码存储库。 它包含从头到尾完成视频课程所需的所有支持项目文件。 关于视频课程 您是否渴望深入研究神经网络的细节，并愿意尝试使用它？ 您是否想学习深度学习技术，以使用最新的Tensorflow 2.0构建项目。 您可以使用Keras，但这是一个高级实现，它本身在后端使用Tensorflow，并且在TensorflowKeras之前，您无法在模型中进行最高级别的更改。 一位优秀的数据科学家必须具备幕后运作方式的技能。 本课程将通过提供Tensorflow 2.0的实践知识，帮助您成为一名优秀的数据科学家。 您将实现真正的深度学习算法，并将在所有实现中使用。 使用实现，您将学习神经网络的核心细节，例如正向传播，即如何初始化权重和反向传播，即如何使用梯度下降算法更新权重，成

Hands-On Machine Learning with Scikit-Learn and TensorFlow，最新版本的PDF格式

Tensorflow车牌数据集，包含训练和测试的数据图片

如果发现有用，请加注仓。令人敬畏的TFLite TensorFlow Lite（TFLite）是一组工具，可帮助转换和优化TensorFlow模型以在移动设备和边缘设备上运行-当前运行于40亿以上。发现它有用...令人敬畏的TFLite TensorFlow Lite（TFLite）是一组工具，可帮助转换和优化TensorFlow模型以在移动设备和边缘设备上运行-目前在超过40亿个设备上运行！ 使用TensorFlow 2.x，您可以使用tf.Keras训练模型，轻松地将模型转换为.tflite并进行部署; 或者您可以从模型动物园下载经过预训练的TFLite模型。 这是TFLite模型的精选列表，其中包括示例应用，模型动物园，有用的工具和

只需要将以上的 test_images，train_images，train-saver，以及四个核心程序按照 项目总体框架图放进来即可

包含对TensorFlow API接口的详细描述，包括参数的描述，函数的过程，返回的参数。对Tensorflow包所提供的的每一个库函数都有详细说明

使用Python轻松解析TFLite模型 此解析由构建的TensorFlow Lite（TFLite）模型（ *.tflite ）。 有关背景，请参阅 。 用法 安装该软件包并像从TensorFlow代码库中构建的那样使用它。 建议安装与生成TFLite模型的TensorFlow相同的版本。 pip install tensorflow==2.3.0 pip install tflite==2.3.0 增强功能 生成的python包有时不友好使用。 我们引入了一些增强功能： 轻松导入：单import tflite （），以取代进口每一类和funtions在tflite （）。 内置操作码助手：操作码被编码为数字，这对于人类来说是很难解析的。 添加了两个API，以使其易于使用。 ：获取给定操作码的类型名称。 ：将操作码映射到所有内置运算符名称的字典。 兼容性处理 Tensor

Kymatio：Python中的小波散射 Kymatio是Python编程语言中的小波散射变换的实现，适用于信号处理和机器学习中的大规模数值实验。 散射变换是实现为卷积网络的平移不变信号表示形式，其滤波器不是学习的而是固定的（作为小波滤波器）。 如果需要以下库，请使用Kymatio： 支持一维，二维和三维小波， 将小波散射集成到深度学习架构中，并且 通过主要的深度学习API（例如PyTorch和TensorFlow）在CPU和GPU硬件上无缝运行。 Kymatio环境 灵活性 Kymatio组织将几个预先存在的小波散射软件包的开发人员联系在一起，包括ScatNet ， scatterin

tensorflow， Google发布的第二代深度学习系统。该框架已经很好的集成了深度学习的各种算法

cudnn7 for cuda9.0，也就是说cuda9.0需要的东西，嘻嘻嘻嘻嘻嘻。