语音识别以语音为研究对象，它是语音信号处理的一个重要研究发现，是模型识别的一个分支，涉及到生理学、心理学、语言学、计算机科学以及信号处理等诸多领域。甚至还涉及到人的体态语言，最终目标是实现人与机器进行自然语言通信。 该资源使用TensorFlow2.x框架，详细的讲解了如何实现自动语音识别。 由于数据集THCHS-30过大，可自行去以下地址下载：http://www.openslr.org/18/，也可通过在博主的网盘分享下载：链接：https://pan.baidu.com/s/1tItruoTSgku8F_m2f-Gusg?pwd=duzh 提取码：duzh

TensorFlow2实战-系列教程1：搭建神经网络进行分类任务 TensorFlow2实战-系列教程2：搭建神经网络进行回归任务 导包读数据 标签制作与数据预处理 基于Keras构建网络模型 更改初始化方法 加入正则化惩罚项 展示测试结果 - activation：激活函数的选择，一般常用relu - kernel_initializer,bias_initializer：权重与偏置参数的初始化方法 - kernel_regularizer，bias_regularizer：要不要加入正则化 - inputs：输入，可以自己指定，也可以让网络自动选 units：神经元个数

NLP-study 记录做过的NLP任务,包含但不限于文本分类，关系分类，命名实体识别，文本摘要，文本生成等，基于tensorflow2.0或者pytorch框架。

本文来自于网络，本文主要介绍了如何用深度强化学习来展示TensorFlow2.0的强大特性，希望对您的学习有所帮助。在本教程中，我将通过实施AdvantageActor-Critic(演员-评论家，A2C)代理来解决经典的CartPole-v0环境，通过深度强化学习（DRL）展示即将推出的TensorFlow2.0特性。虽然我们的目标是展示TensorFlow2.0，但我将尽最大努力让DRL的讲解更加平易近人，包括对该领域的简要概述。事实上，由于2.0版本的焦点是让开发人员的生活变得更轻松，所以我认为现在是使用TensorFlow进入DRL的好时机，本文用到的例子的源代码不到150行！代码可以

Win10环境下在anaconda安装tensorflow2.1前言正文一、安装预知二、安装流程1.安装Anaconda2.安装Tensorflow3.测试及预期结果后记 前言 2020年2月18日尝试在电脑上安装tensorflow用于完成本科毕设。参考了两篇博客（其实是完全依赖[狗头]），受益匪浅，链接如下： 1.博客：https://blog.csdn.net/zhanghai4155/article/details/104268737； 2.博客：https://www.cnblogs.com/ming-4/p/11516728.html； 安装的时候是照着博客1安装的，后来按照其测试

table-detect table detect(yolo) , table line(unet) （表格检测/表格单元格定位） links: models weights download and move to ./modes test table detect python table_detect.py test table ceil detect with unet python table_ceil.py train table line python train/train.py

TensorFlow2.X结合OpenCV 实现手势识别 使用Tensorflow 构建卷积神经网络，训练手势识别模型，使用opencv DNN 模块加载模型实时手势识别 效果如下： 先显示下部分数据集图片（0到9的表示，感觉很怪） 构建模型进行训练 数据集地址 import tensorflow as tf from tensorflow import keras from tensorflow.keras import datasets,layers,optimizers,Sequential,metrics from tensorflow.python.framework.conv

TensorFlow2中的分布式RL 是一个使用实现各种流行的分布增强学习算法的存储库。 分布式RL是适用于随机环境的算法。 如果您想研究Distribution RL，则此存储库将是最佳选择。 dist-rl-tf2包含由领先的AI研究机构发布的三种Distribution RL算法。 演算法 C51 论文作者Marc G.Bellemare，Will Dabney，RémiMunos 方法OFF政策/时间差异/无模型仅限离散操作 观念的核心 # idea01. The output of the Q Network is a Distribution Vector, not a Scalar Value. def create_model ( self ): input_state = Input (( self . state_dim ,)) h1 = Dens

TensorFlow2.0中Ranknet到LambdaRank的实现 **此存储库在Tensorflow 2.0中具有从RankNet到LambdaRank的实现，** 要求 tqdm == 4.32.1 numpy == 1.16.4 点击== 7.0 tensorflow_gpu == 2.1.0 设置 $ git clone https://github.com/akanyaani/ranknet-tensorflow2.0 $ cd ranknet-tensorflow2.0 $ pip install -r requirements.txt 从此处下载数据，并将任何折叠传递给pre_process。 $ python pre_process.py --help Options: --data-dir TEXT training data

mnist手写数字识别的代码实例，内容精简，适合初学者