人工智能-深度学习-tensorflow
2024-05-23 16:27:13 64.85MB 人工智能 深度学习 tensorflow
1
采用tensorflow(python)实现 YOLO v3目标检测算法,可对图片,包含图片的文件夹、摄像头和视频进行对如下20个类物体的检测。
2024-05-19 16:27:00 259KB tensorflow python 目标检测 yolo
1
在win10系统环境下深度学习tensorflow环境搭建实验步骤
2024-05-16 10:24:32 388KB 深度学习
1
21个项目玩转深度学习:基于Tensorflow的实践详解PDF版本
2024-05-07 20:13:29 129.33MB 深度学习 TensorFlow 人工智能
1
Python 深度学习 北京空气质量LSTM时序预测 tensorflow自定义激活函数hard tanh keras tensorflow backend操作 2010.1.2-2014.12.31北京空气雾霾pm2.5 pm10数据集 折线图loss下降趋势预测值真实值对比图 label encoder one hot min max scale 标准化 numpy pandas matplotlib jupyter notebook 人工智能 机器学习 深度学习 神经网络 数据分析 数据挖掘
2024-04-27 15:13:31 453KB Python 深度学习 tensorflow LSTM
1
交通标识为道路上的行人和车辆提供着丰富的道路交通信息,为调节交通流量、疏导交通、提 高道路通行能力、预示道路状况,减少交通事故起到了至关重要的目的。如果仅仅依靠驾驶人员或 行人对交通标识做出正确反应,难免会出现意外情况,导致交通事故的产生。而随着现代控制理论、 人工智能、传感器与检测技术的高速发展,智能交通系统技术也因此得到了快速的发展,并通过此 技术来辅助车辆驾驶员和控制车辆可以大大减少交通事故的产生。 本文针对车辆的车载交通识别系统进行研究,首先介绍模拟车辆的硬件组成与控制技术,再讨 论与叙述交通标识数据采集、神经网络的图像处理模型的搭建以及车载图像处理技术。模拟系统选 用 Raspberry Pi 板作为 RC 小车控制器,深度学习框架采用 Tensorflow+Keras。系统将通过车载摄像 头感知当前道路、行人、车辆位置、交通灯和交通标识等信息,通过超声波传感器实时监测车辆行 驶的安全距离,实现被控制车辆的左右转向、行进和停车,从而模拟无人驾驶车辆能够安全、可靠 的在道路线上行驶。
2024-04-22 16:44:04 7.62MB 深度学习 tensorflow
1
基于CNN的二分类识别,采用的是python+tensorflow框架,识别准确率和验证准确率均90%以上,非常好用。
2024-04-13 18:41:39 301.16MB tensorflow tensorflow
1
1.项目利用TF-IDF(Term Frequency-Inverse Document Frequency 词频-逆文档频率)检索模型和CNN(卷积神经网络)精排模型构建了一个聊天机器人,旨在实现一个能够进行日常对话和情感陪伴的聊天机器人。 2.项目运行环境:Python环境、TensorFlow 环境和Python包jieba、tqdm、nltk、pyqt5等。 3.项目包括4个模块:数据预处理、模型创建与编译、模型训练及保存、模型生成。数据来源于GitHub开源语料集,下 载地址为: https://github.com/codemayq。在TF-IDF模型中定义的架构为:计算TF-IDF向量,通过倒排表的方式找到与当前输入类似的问题描述,针对候选问题进行余弦相似度计算。模型生成一是通过中控模块调用召回和精排模型;二是通过训练好的召回和精排模型进行语义分类,并且获取输出。 4.准确率评估:测试准确率在90%左右。 5.项目博客:https://blog.csdn.net/qq_31136513/article/details/131540115
2024-04-11 11:51:58 49.67MB tensorflow 深度学习 人工智能 python
1
语音活动检测项目 关键字:Python,TensorFlow,深度学习,时间序列分类 目录 1.11.21.3 2.12.2 5.15.2将5.35.4 去做 资源 1.安装 该项目旨在: Ubuntu的20.04 的Python 3.7.3 TensorFlow 1.15.4 $ cd /path/to/project/ $ git clone https://github.com/filippogiruzzi/voice_activity_detection.git $ cd voice_activity_detection/ 1.1基本安装 $ pip3 install -r requirements.txt $ pip3 install -e . 1.2虚拟环境安装 1.3 Docker安装 构建docker镜像: $ sudo make build (这可能
1