kaggle网站深度学习竞赛资源：树叶分类竞赛数据集

猫狗分类 CNN模型，用于用猫或狗对图像进行分类。 用5个“ relu”层和一个“ Sigmoid”层对CNN模型进行训练，以对给定图像包含猫还是狗进行分类。 该模型仅训练了20个纪元，因此准确率达到了75％。 使用自定义学习率将时间段增加到300或更多可以提高模型的准确性。 带有HTML和CSS的flask应用程序提供了一个可工作的Web应用程序界面，用于对图像进行分类。

huaweicloud_garbage_classify nets 包含vgg16，resnet50，senet50 metrics 包含各种softmax的改进，时间原因无法把前三个用于分类；NormFace可以应对类别数据不平衡，不过目前效果和softmax差不多。 others 基于baseline的修改，加了一些tricks，比如label smooth，center crop等等，待你们发现 对了，测试的地方增加了random crop，然后集成，能提升1%

提供bert分类模型，使用pytorch开发，已经训练好，可以下载下来直接使用，不需要重新训练，如有问题，请提示，谢谢

一个桌面搜索引擎工具，索引整个硬盘，对搜索结果进行相关性分析。

分类器 通过将文件分类为音乐，pdf，图像等文件夹，来组织当前目录中的文件。 安装 $ pip install classifier 兼容性 Python 2.7 / Python 3.4 Linux / OSX / Windows 用法 转到您要对文件进行分类的目录。 在终端中运行以下命令。 $ classifier >> Scanning Files >> Done ! 例子 前： Downloads │   ├── project.docx │   ├── 21 Guns.mp3 │   ├── Sultans of Swing.mp3 │   ├── report.pdf │   ├── charts.pdf │   ├── VacationPic.png │   ├── CKEditor.zip │   ├── Cats.jpg │   └── archive.7z 后：

本篇博客tensorflow1.7,整个项目源码： 引言 本次博客将分享Udacity无人驾驶纳米学位的另一个项目，交通标志的识别。 本次项目实现主要采用CNN卷积神经网络，具体的网络结构参考Lecun提出的LeNet结构。参考文献： 项目流程图 本项目的实现流程如下所示： 代码实现及解释 接下来我们就按照项目流程图来逐块实现,本项目数据集： 如果打不开，则有备用链接： #import important packages/libraries import numpy as np import tensorflow as tf import pickle import matplotlib.pyplot as plt import random import csv from sklearn.utils import shuffle from tensorflow.contrib.laye

数据融合matlab代码 fine-Grained-classify fine-Grained classify 细颗粒度图像分类 总体框架 参考文献 参考开源代码 研发代码同步 总结 1. 论文参考 > Bilinear CNNs for Fine-grainedVisual Recognition.pdf（双线性卷积细颗粒度图像识别方法）； > bcnn_iccv15.pdf (作者源码使用的是matlab语言)； 结合目标检测、人工标注、图像分割等方法提取关键的细粒度图像，在进行softmax分类； 2. 参考开源代码 > Bilinear-CNN-TensorFlow. > Fine_Grained_Classification. > tensorflow_compact_bilinear_pooling. > VGG-or-MobileNet-SSD. 3. 代码功能说明 > enhanceImagePy 是图像预处理的，数据增强的方案； 包括：图像翻转、裁剪、局部均衡化、灰度化、压缩、椒盐噪声处理等 > test.py 是用于测试的python入口文件 > post.py

从音频数据分类歌曲流派 项目描述 使用由两种音乐流派（嘻哈和摇滚）的歌曲组成的数据集，您将训练一个分类器以仅基于从Echonest（现在是Spotify的一部分）获得的曲目信息来区分这两种流派。 首先，您将使用Python中的熊猫和seaborn软件包对数据进行子集，汇总信息并创建图表，以便在进行数据学习时发现在进行机器学习时应注意的明显趋势或因素。 接下来，您将使用scikit-learn包来预测您是否可以根据诸如舞蹈性，能量，声学，节奏等特征正确地对歌曲的类型进行分类。您将介绍PCA，逻辑回归，决策树等等。 通过该项目，您可以将在scikit-learn的监督学习中获得的知识应用到scikit-learn包中，还可以进行数据预处理，降维和机器学习。

前言 本文介绍的分类方式可能比较繁琐，因为它是采用华为云比赛的提交模式进行的。简洁的分类版本点击这里： 1.图像分类的更多tricks（注意力机制 keras，TensorFlow和pytorch 版本等）： 2.大家如果对目标检测比赛比较感兴趣的话，可以看一下我这篇对目标检测比赛tricks的详细介绍： 3.目标检测比赛笔记： 增添内容 已修改成本地可以运行。 修改方法： 1.save_model.py|train.py|eval.py|run.py|中moxing.framework.file函数全部换成os.path和shutil.copy函数。因为python里面暂时没有moxing框架。 2.注释掉run.py文件里面的下面几行代码： # FLAGS.tmp = os.path.join(FLAGS.local_data_root, 'tmp/') # print(FLAGS.t