TensorFlow对象计数API TensorFlow对象计数API是一个基于TensorFlow和Keras构建的开源框架，可轻松开发对象计数系统。 如果您需要专业的物体检测，跟踪和计数项目，请与我们联系！ 快速演示 累计计数模式（TensorFlow实现）： 实时计数模式（TensorFlow实现）： 对象跟踪模式（TensorFlow实现）： 跟踪模块是基于构建的。 单个图像上的对象计数（TensorFlow实现）： 基于对象计数的R-CNN（）： 基于对象分割和计数的Mask R-CNN（）： 奖励：自定义对象计数模式（TensorFlow实现）： 您可以使用自己的训练数据来训练TensorFlow模型以构建自己的自定义对象计数器系统！ 如果您想学习如何做，请查看下面的示例项目，其中涵盖了迁移学习的一些理论并展示了如何将其应用到有用的项目中。 示例项目1：蓝精灵计数 更多信息可以在找到！ 示例项目2：Barilla-Spaghetti计数 更多信息可以在找到！ 开发正在进行中！ 该API将很快更新，此仓库中将提供更多才华横溢且轻巧的API！ 将添加详细的API文

Netron是神经网络，深度学习和机器学习模型的查看者。 Netron支持ONNX（.onnx，.pb，.pbtxt），Keras（.h5，.keras），核心ML（.mlmodel），来自Caffe（.caffemodel，.prototxt），Caffe2（predict_net.pb），暗网（.cfg），MXNet（.model，-symbol.json），梭子鱼（.nn），ncnn（.param），Tengine（.tmfile），TNN（.tnnproto），UFF（.uff）和TensorFlow Lite（.tflite）。 Netron具有用于实验支持TorchScript（.pt，.pth），PyTorch（.pt，.pth），火炬（.t7），臂NN（.armnn），BigDL（.bigdl，.model），Chainer（.npz，.h5），CNTK（.model，.cntk），Deeplearning4j（.zip），MediaPipe（.pbtxt），ML.NET（.zip），MNN（.mnn），PaddlePaddle（.zip，__model__），OpenVINO（.xml），scikit学习（.pkl），TensorFlow.js（model.json，.pb）和TensorFlow（.pb，.meta，.pbtxt，.ckpt，.index）。

efficientnet-b0_weights_tf_dim_ordering_tf_kernels_autoaugment_notop.h5官网下载了好久下载不下来，这里分享出来

efficientnet-b1_weights_tf_dim_ordering_tf_kernels_autoaugment_notop.h5，网上下载了好久才下载下来

Kong流网 PoreFlow-Net的实现：一个3D卷积神经网络，预测通过多Kong介质的流体流量 使用说明 从下载所需的数据（或通过首选的模拟方法创建自己的数据） 使用train.py脚本训练模型 模型架构 这是我们的网络的样子： 方法 先决条件 为了训练/测试我们使用的Tensorflow 1.12模型，应该可以使用更新的版本 其余的必要软件包应通过pip获得 数据 完整的出版物和所有培训/测试数据可在找到。 excel文件随可用样本列表一起提供。 有待改进 keras调谐器可用于优化每个编码分支上的过滤器数量 协同合作 我们欢迎合作 引文 如果您将我们的代码用于自己的研究，请引用我们的出版物 ，我们将不胜感激 @article{PFN2020, title = "PoreFlow-Net: a 3D convolutional neural network to predict fluid flow through porous media", journal = "Advances in Water Resources", pages = "103539", year =

tushare API提供了股票交易数据，直接利用API爬取近十年股票数据。对K线图、移动平均线和MADC可视化。用keras搭建LSTM神经网络模型，2010-2019年日收盘价做训练数据，对2020年收盘价进行预测。

这是Keras版的Gcn代码，有助于理解图卷积网络，配合原版的论文看起来会比较不错。

使用fasterrcnn实现口罩检测，fasterrcnn基于keras搭建，训练需要口罩数据集，数据集必须是VOC格式，预测需要权重文件，权重文件已经存在

Learn how to model and train advanced neural networks to implement a variety of Computer Vision tasks Key FeaturesTrain different kinds of deep learning model from scratch to solve specific problems in Computer VisionCombine the power of Python, Keras, and TensorFlow to build deep learning models for object detection, image classification, similarity learning, image captioning, and moreIncludes tips on optimizing and improving the performance of your models under various constraintsBook Description Deep learning has shown its power in several application areas of Artificial Intelligence, especially in Computer Vision. Computer Vision is the science of understanding and manipulating images, and finds enormous applications in the areas of robotics, automation, and so on. This book will also show you, with practical examples, how to develop Computer Vision applications by leveraging the power of deep learning. In this book, you will learn different techniques related to object classification, object detection, image segmentation, captioning, image generation, face analysis, and more. You will also explore their applications using popular Python libraries such as TensorFlow and Keras. This book will help you master state-of-the-art, deep learning algorithms and their implementation. What you will learnSet up an environment for deep learning with Python, TensorFlow, and KerasDefine and train a model for image and video classificationUse features from a pre-trained Convolutional Neural Network model for image retrievalUnderstand and implement object detection using the real-world Pedestrian Detection scenarioLearn about various problems in image captioning and how to overcome them by training images and text togetherImplement similarity matching and train a model for face recognitionUnderstand the concept of generative models and use them for image generationDeploy your deep learning models and optimize them for high performanceWho This Book Is For This book is targeted

keras 各种fine tune，深度学习专用，机器学习专用，代码简单，vgg resnet inception..