简介 1、本项目是在tensorflow版本1.14.0的基础上做的训练和测试。 2、本项目为中文的文本情感分析，为多文本分类，一共3个标签：1、0、-1，分别表示正面、中面和负面的情感。 3、欢迎大家联系我 4、albert_small_zh_google对应的百度云下载地址： 链接： 提取码：wuxw 使用方法 1、准备数据 数据格式为：sentiment_analysis_albert/data/sa_test.csv 2、参数设置 参考脚本 hyperparameters.py，直接修改里面的数值即可。 3、训练 python train.py 4、推理 python predict.py 知乎代码解读

该文档实现了在c语言中引用编译好的tensorflow.so动态库的方法

Oxford-17是一个鲜花图像数据集，其中包括1360幅图像，分为17类，每类80幅图像。本个文件夹共有17个文件夹，每一个文件夹都是一类花。

包含tensorflow_gpu，版本分别有1.2、1.4、1.7、1.8、1.9、1.10，适合python版本3.6.

激活函数： tf.nn.relu(features, name=None) features:卷积后加上偏置的结果 return:结果 卷积层： tf.nn.conv2d(input, filter, strides=, padding=, name=None) 计算给定4-D input和filter张量的2维卷积 input：给定的输入张量，具有[batch,heigth,width,channel]，类型为float32,64 **filter：**指定过滤器的大小，[filter_height, filter_width, in_channels, out_channels] stri

一个C#调用tensorflow的例子，比较简单，演示了如何在C#中调用tensorflow的对象和函数

Denoise Convolutional neural network(DnCNN)代码的tensorflow实现，内含完整代码，可以直接使用

用于初次使用TensorFlow框架搭建深度强化学习网络的人

构建智能反恶意软件系统：使用支持向量机进行恶意软件分类的深度学习方法 全文可在阅读。 抽象的 有效和高效地缓解恶意软件是信息安全社区的一项长期努力。 开发可以抵制以前未知的恶意软件的反恶意软件系统是一项可能使多个行业受益的多产活动。 我们设想了一个利用深度学习 (DL) 模型强大功能的智能反恶意软件系统。 使用此类模型可以通过数学概括来检测新发布的恶意软件。 也就是说，找到给定恶意软件x与其对应的恶意软件家族y 、 f : x → y 之间的关系。 为了实现这一壮举，我们使用了 Malimg 数据集 [ ]，其中包含从恶意软件二进制文件中处理的恶意软件图像，然后我们训练以下 DL 模型 1 来对每个恶意软件系列进行分类：CNN-SVM[ ]、GRU-SVM [ ]和MLP-SVM。 经验证据表明，GRU-SVM在DL模型中脱颖而出，其预测准确度约为84.92％。 这是有道理的，因为

    car_num_main.py  :将图片转为灰度图像，灰度图像二极化，分割图像并分别保存为.jpg和.bmp文件（直接右键运行即可完成转换）     train-license-province.py : 省份简称训练识别（需在控制台通过代码运行）       train-license-letters.py :城市代号训练识别（需在控制台通过代码运行）       train-license-digits.py :车牌编号训练识别（需在控制台通过代码运行）