对抗生成网络学习（九）——CartoonGAN+爬虫生成《言叶之庭》风格的影像(tensorflow实现)-附件资源

CycleGAN_ssim 该项目是项目的扩展。 实现和训练有素的周期一致剖成对抗性网络（CycleGAN）如在所描述的具有不同的，具体地SSIM损失，损耗L1，L2损失和它们的组合，以产生更好的视觉质量的图像。 图1：CycleGAN工作 对于CycleGAN实现与L1损失是指。 对于官方CycleGAN执行读取。 先决条件 Python 3.3以上 Tensorflow 1.6+ 枕头（PIL） （可选） 用法 训练模型： > python train_cycleGAN_loss.py --data_path monet2photo --input_fname_pattern .jpg --model_dir cycleGAN_model --loss_type l1 data_path：具有trainA和trainB文件夹的目录的路径（具有这些特定名称（trainA，tra

sktime-dl：基于TensorFlow的用于深度学习的sktime配套软件包

主要介绍了tensorflow安装成功import tensorflow 出现问题，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

人姿势估计opencv 使用OpenPose MobileNet在OpenCV中执行人体姿势估计 如何使用 使用网络摄像头进行测试 python openpose.py 用图像测试 python openpose.py --input image.jpg 使用--thr增加置信度阈值 python openpose.py --input image.jpg --thr 0.5 笔记： 我修改了以使用由提供的Tensorflow MobileNet Model ，而不是来自CMU OpenPose的Caffe Model 。 来自OpenCV example的原始openpose.py仅使用超过200MB的Caffe Model ，而Mobilenet只有7MB。 基本上，我们需要更改cv.dnn.blobFromImage并使用out = out[:, :19, :, :] cv

主要介绍了Tensorflow的可视化工具Tensorboard的初步使用详解，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧

cnn_text_classification Tensorflow中的Kim的。 要求 的Python 3 Tensorflow> 1.0 脾气暴躁的 纳尔特克 tqdm 资料格式 我们需要2个文件，一个用于训练，一个用于验证。数据的格式很容易，文件中的每一行都有两列，第一列是标签，第二列是文本。它们用'\ t'分段。 数据格式示例 1 for a long time the film succeeds with its dark , delicate treatment of these characters and its unerring respect for them . 0 the film seems all but destined to pop up on a television screen in the background of a scene in a

Tensorflow QRNN TensorFlow的QRNN实现。 实现参考下面的博客。 依存关系 TensorFlow：0.12.0 scikit-learn：0.18.1（用于工作检查） 怎么跑 向前测试 要确认正向传播，请运行以下脚本。 python test_tf_qrnn_forward.py 工作检查 要确认QRNN与基准（LSTM）的性能比较，请运行以下脚本。 数据集是。 python test_tf_qrnn_work.py 您可以通过查看计算结果。 例如。 tensorboard --logdir=./summary/qrnn 实验 Baseline(LSTM)

1．3支持向量机国内外研究现状 SVM算法一经提出，就得到国内外学者的高度关注。学术界普遍认为它是继神经 网络之后一个新的研究方向。在短短的几年里，取得了一系列令人瞩目的研究成果。其 理论和应用在横向和纵向上都有发展。 理论上的发展主要如下： (1)核函数的构造，如核主成分分析n0’111等。基于各个不同的应用领域，可以构造不 同的核函数，能够或多或少的引入领域知识。现在核函数广泛应用的类型有：多项式逼 近m1、贝叶斯分类器m3、径向机函数‘“Ⅲ1、多层感知器‘蚓等。 (2)SVM从两类问题向多类问题的推广Ⅱ"。以W色Stonn81在1998年提出的多类算法 为代表，在经典SVM理论的基础上，直接在目标函数上进行改进，重新构造多值分类 模型，建立K分类SVM。这类算法选择的目标函数十分复杂，变量数目过多，计算复 杂度也非常高，实现困难，所以只在小型问题的求解中才能使用。 (3)与目前其他机器学习方法的融合。如：最小二乘支持向量机n蚴1，这种方法是 在1999年被提出的，经过这几年的发展，已经应用到很多相关的领域。研究的问题已 经推广到：对于大规模数据集的处理；处理数据的鲁棒性；参数调节和选择问题等。 (4)与数据预处理(样本的重要度，属性的重要度，特征选择等方面)方法的结合， 将数据中脱离领域知识的信息即数据本身的性质融入SVM的算法中从而产生新的算 法。如粗糙集与SVM的结合口朝，利用粗糙集理论对数据的属性进行约简能在某种程度 上减少SVM求解计算量；再如分级聚类的SⅥⅥ瞰1，基于分级聚类和决策树思想构建多 类SVM，使用分级聚类的方法可以先把刀一1个距离较近的类别结合起来，暂时看作一 类，把剩下的一类作为单独的一类，分类后的下一步不再考虑这单独的一类，而只研究 所合并的刀一1类，再依次下去。 (5)SVM训练算法的探索，以提高SVM的计算速度，以便于处理大规模问题。、却11ik 在1995年提出了一种称为“chuI】舾ng’’的块算法乜引，即如果删除矩中对应La莎蛆ge乘 数为0的行和列，将不会影响最终结果。Osulla提出了一种分解算法啪搿1，应用于人脸 识别领域。Joacllil：IlS在1998年将Osulla提出的分解策略推广到解决大型SVM学习的算 法‘鹦’别中；P1a位于1998年提出了序贯最小优化‘剐(Sequential Minimal 0Iptimization)算法， 每次的工作集中只有两个样本。 (6)SVM的参数选择问题。参数选择是机器学习算法中一个重要的问题，SVM的 性能依赖于其核参数及惩罚系数的选取。最常用的方法是经验凑试法和格点法(吼d Method)旧u，但这两种方法都是基于大量实验的，获得的参数通常也不是最优的；Chapelle 提出用梯度下降(Gradient Descer斌GD)法口列来完成SVM参数选择，Chen呦1和Zhengml 则采用不同的适应度函数，提出了两种基于遗传算法(Genetic舢gorithm，GA)的SVM参 数选择方法。 (7)SVM的模型选择标准。SVM的应用之所以不像神经网络那么广泛，除了其对大 样本问题求解速度慢以外，还有一个关键原因在于SVM的模型选择问题没有解决好。

《共享噪音》（Noise Maker）是我做的一个基于Tensorflow的自动生成儿歌的作品。