ddpg-aigym 深度确定性策略梯度 Tensorflow中深度确定性策略梯度算法的实现（Lillicrap等人 。） 如何使用 git clone https://github.com/stevenpjg/ddpg-aigym.git cd ddpg-aigym python main.py 培训期间 一旦训练 学习曲线 InvertedPendulum-v1环境的学习曲线。 依存关系 Tensorflow（在tensorflow版本0.11.0rc0 ） OpenAi体育馆 Mujoco 产品特点 批量归一化（提高学习速度） 梯度转换器（在arXiv中提供： ） 注意 使用不同

MobileFaceNet_TF MobileFaceNet的Tensorflow实现。 依存关系 张量流> = r1.5 OpenCVPython的3.x python 3.x 科学的 斯克莱恩 麻木 网络 泡菜 准备数据集 选择以下链接之一来下载Insightface提供的数据集。 （特别推荐MS1M-refine-v2） ， ， ， 将数据集移动到${MobileFaceNet_TF_ROOT}/datasets 。 运行${MobileFaceNet_TF_ROOT}/utils/data_process.py 。 预训练模型 训练 通过特殊项目自行优化超级参数。

TensorFlow中的深度强化学习 TensorFlow实施深度强化学习论文。 该实现包含： [1] [2][3][4][5]（进行中） [6]（正在进行中） [7]（进行中） [8]（正在进行中） 要求 Python 2.7 或 用法 首先，使用以下命令安装必备组件： $ pip install -U 'gym[all]' tqdm scipy 不要忘了还要安装最新的 。 还请注意，您需要安装所需的依赖项gym[all] 在没有gpu的情况下使用所述的DQN模型进行训练： $ python main.py --network_header_type=nips --env_na

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)

TensorFlow中的Insight Face 任务 mxnet数据集到tfrecords 骨干网络架构[vgg16，vgg19，resnet] 骨干网络体系结构[resnet-se，resnext] LResNet50E-IR LResNet100E-IR 加法角余量损失 余弦面损失 火车网络代码 在训练期间添加验证 多GPU训练 合并损失由RogerLo提供。 评估代码 培训技巧（持续更新） 如果您不能使用大批量（> 128），则应使用较小的学习率 如果您不能使用大批量（> 128），则可以尝试重新规范化批量（文件L_Resnet_E_IR_RBN.py ） 如果使用多个

四朵花 这是一个图像识别项目，基于tensorflow，现有的CNN网络可以识别多个花的种类。适合新手对使用tensorflow进行一个完整的图像识别过程有一个大致轮廓。项目包括对数据集的处理，从硬盘读取数据，CNN网络的定义，训练过程，还实现了一个GUI界面用于使用训练好的网络。 要求 安装Anaconda 引入环境environment.yaml conda env update -f=environment.yaml 快速开始 git clone这个项目 解压input_data.rar到你喜欢的目录。 修改train.py中 train_dir = 'D:/ML/flower/inpu

Densenet-Tensorflow 的Tensorflow实施使用Cifar10，MNIST 实现本文的代码是Densenet.py 略有不同，我使用了AdamOptimizer 如果您想查看原始作者的代码或其他实现，请参考此 要求 Tensorflow 1.x Python 3.x tflearn（如果您易于使用全局平均池，则应安装tflearn However, I implemented it using tf.layers, so don ' t worry 问题 我用了tf.contrib.layers.batch_norm def Batch_Normali

Tensorflow中的指针网络 TensorFlow实现。 支持多线程数据管道以减少I / O延迟。 要求 Python 2.7 用法 训练模型： $ python main.py --task=tsp --max_data_length=20 --hidden_dim=512 # download dataset used in the paper $ python main.py --task=tsp --max_data_length=10 --hidden_dim=128 # generate dataset itself 训练模型： $ python main.py $

ccks2019-ckbqa-4th代码 中文知识库问答代码，CCKS2019 CKBQA评价获得第四名解决方案 任务介绍 这个评估任务主要是基于中文开放域知识库的智能问答，主办方是北京大学的邹磊，胡森老师。秘书处是他们建造的PKUBASE，语料在上。我们主要是参考了ccks2018 COQA评价第二名的方法，在此基础上加入了基于Bert的序列标注，语义匹配等模型，以及替代等回答复杂问题的替代。具体方法在评估论文里，和本次比赛前三名的方法一起放在了/ pdf下供参考。 注意：因为这个程序依赖自己在本地服务器搭接的副本，所以不搭好合并的话，entity_extractor及之后的程序都是无法运行

TF-Agents：一个可靠，可扩展且易于使用的TensorFlow库，用于上下文强盗和强化学习。 使实施，部署和测试新的Bandits和RL算法更加容易。 它提供了经过测试的模块化组件，可以对其进行修改和扩展。 它具有良好的测试集成和基准测试，可实现快速代码迭代。 首先，我们建议您查阅我们的Colab教程之一。 如果您需要RL简介（或快速回顾），请。 否则，请查看我们的以使代理在Cartpole环境中启动并运行。 当前稳定版本的API文档位于。 TF-Agents正在积极开发中，接口可能随时更改。 欢迎提供反馈和意见。 目录 代理商 在TF-Agent中，RL算法的核心元素被实现为Ag