面向科研和产品化的深度学习和强化学习库（TensorLayer开源中国官方镜像）

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

在TensorFlow / TensorLayer中开始 BEGAN的TensorFlow / TensorLayer实现 先决条件 Python 2.7或Python 3.3+ 用法 首先，将图像下载到data/celebA ： $ python download.py celebA [202599 face images] 其次，训练GAN： $ python main.py --point "25 58" 第三，使用训练有素的生成器生成人脸： $ python generate.py --num_imgs 1000 CelebA的结果 从头到60k（每500次迭代捕获帧）。 gamma=0.5

CVAE-GAN_tensorlayer 具有tensorlayer的CVAE-GAN实现。 例子 训练VAE输出 测试VAE输出和侦察输出 依附 张量流张量层麻木进度条2 我的测试环境是tensorflow-gpu-1.10，tensorlayer-1.91，gtx970m-3g。 一些问题和注意 emmm ...此实现可能与页面有所不同。 我尝试了WGAN-GP和LS-GAN的丢失，但是效果不好。 也许我的代码是错误的。 然后我将鉴别器变成自动编码器并尝试BEGAN的损失，这看起来不错。 训练后的VAE输出仍然模糊，但是我发现鉴别器的重建图像可以使VAE输出更清晰。 主要的网络结构是我的简单自定义resnet，它应与DCGAN不同。 训练日志 我的训练过程输出和日志可以分别在imgs和logs文件夹中找到。 训练日志已被压缩，仅需解压缩。 如何使用 测试 python3 test.

U-Net脑肿瘤分割 :rocket: ：2019年2月此仓库中的数据处理实现不是最快的方式（代码需要更新，欢迎您提供），您可以改用TensorFlow数据集API。 此仓库向您展示了如何训练U-Net进行脑肿瘤分割。 默认情况下，您需要下载数据集的训练集，该训练集具有210 HGG和75 LGG卷，并将data文件夹与所有脚本一起放置。 data -- Brats17TrainingData -- train_dev_all model.py train.py ... 关于数据 请注意，根据许可证，用户必须从BRAST应用数据集，请不要与我联系以获取数据集。 非常感谢。 图1：大脑图像