基于python opencv人脸识别的签到系统前言先看下效果实现的功能开始准备页面的构建功能实现代码部分总结 前言 一个基于opencv人脸识别和TensorFlow进行模型训练的人脸实时签到系统，作者某二本大学里的末流学生，写于2019/09/，python学习期间。 今年7月份开始接触python的，最近闲着无事就开始做了这个人脸识别的系统，一开始的话就想着简单的弄下，就去了百度智能云用的api接口实现的，写完以后我就想为什么我不自己写一个人脸识别签到，不去调用百度api接口，然后就诞生了这个程序。 先看下效果 实现的功能 点击开始进行实时人脸打开识别签到 点击注册会跳到注册页面进

唐宇迪TensorFlow2教程课件代码

TensorLayer中的DCGAN 这是的TensorLayer实现。 寻找文本到图像合成？ :NEW_button: :fire: 2019年5月：我们只是更新了此项目以支持TF2和TL2。 请享用！ :NEW_button: :fire: 2019年5月：该项目被选为TL项目的默认模板。 先决条件 的Python3.5 3.6 TensorFlow == 2.0.0a0 pip3 install tensorflow-gpu==2.0.0a0 TensorLayer = 2.1.0 pip3 install tensorlayer==2.1.0 用法 首先，将对齐的面部图像从或到data文件夹。 其次，训练GAN： $ python

我们使用 TensorNetwork [1, 2]，这是一种最近开发的 API，用于使用 TensorFlow [3] 等加速后端执行张量网络收缩，以实现多尺度纠缠重归一化 Ansatz (MERA) 的优化算法。 我们使用 MERA 在临界状态下逼近无限一维横向场 Ising 模型的基态波函数，并从优化的 ansatz 中提取保形数据。 比较 CPU 与 GPU 上优化的运行时间，我们报告了在 GPU 上运行时优化算法的速度非常显着，高达 200 倍。我们使用了 TensorNetwork，这是一个带有 TensorFlow 后端的张量收缩 API，来实现 Ref 的尺度不变 MERA 优化算法。 [33, 34]。 作为基准，我们使用该算法在热力学极限下逼近临界横向场 Ising 模型的基态，使用键维数高达 χ = 16 的 MERA。从优化的 MERA 中，我们计算了最低的 12 个 Ising 模型的缩放维度与理论预测值非常吻合。 在 GPU 上运行时，我们观察到与 1 个 CPU 核心相比，速度提高了 200 倍，与 32 个 CPU 相比，速度提高了 6 倍。

1.自然语言处理 2.词向量模型Word2vec 3.滑动窗口 4.不同模型：CBOW与Skip-gram 5.负采样模型

资源来自pypi官网，解压后可用。 资源全名：tensorflow-2.1.4-cp36-cp36m-manylinux2010_x86_64.whl

官方基于coco数据集预训练模型，微调后可以达到准确率较高的物体识别效果

1.图像处理案例 2.TFRecords与格式转换 3.RNN递归神经网络基础知识点 4.LSTM基础知识点

1、神经网络 2、Tensorflow基础 3、迁移学习 4、callback回调监视器设置 5、TFRecord的构建

1、神经网络 2、Tensorflow基础 3、Resnet