1.本项目基于Google的Magenta平台，它采用随机森林分类器来识别图片的情感色彩，接着项目使用递归神经网络（RNN）来生成与图片情感相匹配的音乐，最后通过图形用户界面（GUI）实现可视化结果展示。 2.项目运行环境：包括 Python 环境和Magenta环境。 3.项目包括3个模块：数据预处理、模型构建、模型训练及保存。其中数据集MIDI下载地址为http://midi.midicn.com/，数据集图片在花瓣网收集获取地址为https://huaban.com/boards/60930738/。音乐模型包含欢快和安静两类MIDI文件各100个，图片包含欢快和安静两类各250张，格式为.jpg；模型构建部分包括图片情感分析和复调音乐模型；在定义模型架构和编译之后，使用训练集训练模型，使模型对图片的情感进行分类。 博客：https://blog.csdn.net/qq_31136513/article/details/134014454

人工智能-项目实践-文本分类-CNN-RNN中文文本分类，基于TensorFlow 使用卷积神经网络以及循环神经网络进行中文文本分类 CNN做句子分类的论文可以参看: Convolutional Neural Networks for Sentence Classification 以及字符级CNN的论文：Character-level Convolutional Networks for Text Classification 本文是基于TensorFlow在中文数据集上的简化实现，使用了字符级CNN和RNN对中文文本进行分类，达到了较好的效果。 文中所使用的Conv1D与论文中有些不同，详细参考官方文档：tf.nn.conv1d

基于python语言，tensorflow框架，通过rnn循环神经网络实现对茅台酒开盘价的预测

TextCNN擅长捕获更短的序列信息，但是TextRNN擅长捕获更长的序列信息。具体到文本分类任务中，BiLSTM从某种意义上可以理解为可以捕获变长且双向的N-Gram信息。

单词张量流 使用TensorFlow在Python中使用词层语言模型的多层递归神经网络（LSTM，RNN）。 大多数重用的代码来自 ，其灵感来自Andrej Karpathy的 。 要求 基本用法 要在tinyshakespeare语料库上使用默认参数进行训练，请运行： python train.py 从经过训练的模型中采样 python sample.py 要使用波束搜索进行拾取，请使用--pick参数。 可以使用--width参数进一步自定义光束搜索，该参数设置要搜索的光束数量。 例如： python sample.py --pick 2 --width 4 样品输出 Word

先进的TensorFlow （更多+重构）高级TensorFlow实现的集合。 尽我所能用一个Jupyter Notebook实现算法。 去噪自动编码器 卷积自动编码器（使用反卷积） 可变自动编码器 二维玩具示例上的AVB 基本分类（MLP和CNN） 自定义数据集生成 使用自定义数据集进行分类（MLP和CNN） MLP和CNN的OOP样式实现 使用TF-SLIM进行预训练的网络使用 具有预训练网络的班级激活图 预处理Linux内核源 使用Char-RNN进行训练和采样 具有梯度反转层的领域对抗神经网络 MNIST的深度卷积生成对抗网络 混合物密度网络 异方差混合物密度网络 基于模型的

字符张量流 使用Tensorflow在Python中使用字符级语言模型的多层递归神经网络（LSTM，RNN）。 灵感来自安德烈·卡帕蒂（Andrej Karpathy）的。 要求 基本用法 要在tinyshakespeare语料库上使用默认参数进行训练，请运行python train.py 。 要访问所有参数，请使用python train.py --help 。 要从检查点模型中采样python sample.py 。 在学习仍在进行时进行采样（以检查最后一个检查点）仅在CPU或其他GPU中有效。 要强制CPU模式，请使用export CUDA_VISIBLE_DEVICES=""并随后unset CUDA_VISIBLE_DEVICES （在Windows上分别set CUDA_VISIBLE_DEVICES=""并set CUDA_VISIBLE_DEVICES= ）。 要在