手写数字识别 使用Tensorflow.js，Mnist数据集，React，Redux，Redux-Saga，Babel，Webpack，样式化组件，Eslint，Prettier和Ant Design构建的数字识别。 可以在以下位置获得演示： : 。 影片 手机（iOS和Android）版本： 桌面版： 设定环境 该项目基于JavaScript环境，您需要使用Yarn或NPM安装依赖项： $ yarn install 在本地启动 $ yarn start $ Open https://localhost:9000 with your favorite browser 量产 $ yarn build 作者

tensorflow人工智能demo 可以检测人脸 和抽烟打电话 车道线 骨架识别 行为识别

Tensorflow GPU 1.0版本 Linux Ubuntu Python2.7. 更多版本下载： https://pypi.python.org/pypi/tensorflow-gpu/1.0.0

多摄像机人员跟踪和重新识别（使用视频） 用于“检测/跟踪”和“重新识别”不同摄像机/视频中的个人的简单模型。 介绍 该项目旨在跟踪不同角度的视频中的人。 用于完成此任务的框架分别依靠MOT和ReID来跟踪和重新标识人类的ID。 可以使用YOLO_v3或YOLO_v4来完成跟踪，并且ReID依赖于KaiyangZhou的Torchreid库。 安装 如果您的计算机上未安装 ，请下载 克隆存储库 git clone https : // github . com / samihormi / Multi - Camera - Person - Tracking - and - Re - Identification 创建项目环境 cd Multi - Camera - Person - Tracking - and - Re - Identification conda create

Tensorflow实施论文“快速，准确的超高分辨率的深拉普拉斯金字塔网络”（CVPR 2017） 这是使用TensorLayer的Tensorflow实现。 原始论文和使用MatConNet的实现可以在他们的上找到。 环境 使用python 3.6和cuda 8.0对实现进行了测试。 下载资料库： $ git clone https://github.com/zjuela/LapSRN-tensorflow.git 火车模型 在config.py文件中指定数据集路径并运行： $ python main.py 使用挑战数据集对预训练模型进行训练。 测试 使用您的测试图像运行： $ python main.py -m test -f TESTIMAGE 结果可以在文件夹./samples/中找到

TRPO-张量流 纯TensorFlow中的信任区域策略优化（TRPO）

本文面对三种常常遇到的情况，总结三种读取数据的方式，分别用于处理单张图片、大量图片，和TFRecorder读取方式。并且还补充了功能相近的tf函数。 1、处理单张图片 　　我们训练完模型之后，常常要用图片测试，有的时候，我们并不需要对很多图像做测试，可能就是几张甚至一张。这种情况下没有必要用队列机制。 import tensorflow as tf import matplotlib.pyplot as plt def read_image(file_name): img = tf.read_file(filename=file_name) # 默认读取格式为uint8 print(

Teensy4.0-TF-lite-micro Tensorflow lite for MCU的回购示例代码已修改为可与Teensy 4.0一起使用 正在工作 你好世界正弦发生器 人物检测 故障排除 如果出现错误，指出某种CMSIS编译器头文件不存在，请导航至Arduino \ Libraries文件夹中的tensorflow \ lite \ micro \ tools \ make \ downloads \ cmsis \ CMSIS \ Core \ Include并确保cmsis_complier。 h和cmsis_gcc.h都存在。 如果缺少某些内容，则可以在中找到这些文件，将它们添加到本地目录中

Hands-On Machine Learning with Scikit-Learn and TensorFlow 英文 高清pdf 网络搜集，值得一读

IQE：使用DCGAN增强图像质量 印度德里·内塔吉·萨哈斯工业大学的Leo Adlakha，Prateek Bhardwaj，Abhijeet Singh Varun ：开发了图像质量增强功能，以增强尺寸（1536、2048、3）的弱光图像的质量。 一些结果如下所示： 要求 requirements.txt包含该代码和网站使用的Python软件包。 抽象的 我们提出了一种新颖的方法来调整弱光图像的各种图像属性，以产生具有更好对比度，亮度等的增强图像。问题是要提高从各种移动设备（如iPhone，三星等）拍摄的图像的质量。一种基于深度学习的方法，涉及深度卷积生成对抗网络（GAN），可以使用一对低质量的图像作为噪声矩阵对其进行训练，并且当此输出与高质量时，生成器的输出用于比较结果图像（groundtruth）被送入鉴别器以获得各种涉及颜色，纹理等的损失。它在从公开可用的数据集（如samsu