1.7505c44ca4eb54b4ab1e4777cb96ac05-face_landmark_model.dat2.4e0352ce96473837b1d671ce87f17359-ippicv_2017u3_lnx_intel64_general_201708223.915ff92958089ede8ea532d3c4fe7187-ippicv_2017u3_win_intel64_general_201805184.928168c2d99ab284047dfcfb7a821d91-ippicv_2017u3_win_ia32_general_201805185.adb1c512e09ca2c7a6faef36f9c53e59-v1.0.0a3.tar6.0ae0675534aa318d9668f2a179c2a052-boostdesc_lbgm.i7.0ea90e7a8f3f7876d450e4149c97c74f-boostdesc_bgm.i8.98ea99d399965c03d555cef3ea502a0b-boostdesc_binboost_128.i9.202e1b3e9fec871b04da31f7f016679f-boostdesc_binboost_064.i10.232c966b13651bd0e46a1497b0852191-boostdesc_bgm_bi.i11.324426a24fa56ad9c5b8e3e0b3e5303e-boostdesc_bgm_hd.i12.e6dcfa9f647779eb1ce446a8d759b6ea-boostdesc_binboost_256.i13.7cd47228edec52b6d82f46511af325c5-vgg_generated_80.i14.7126a5d9a8884ebca5aea5d63d677225-vgg_generated_64.i15.151805e03568c9f490a5e3a872777b75-vgg_generated_120.i16.e8d0dcd54d1bcfdc29203d011a797179-vgg_generated_48.i17.2cc08fc4fef8199fe80e0f126684834f-opencv_ffmpeg_64.dll18.3b90f67f4b429e77d3da36698cef700c-ffmpeg_version.cmake19.fa5a2a4e2f37defcb95bde8ed145c2b3-opencv_ffmpeg.dll等等，太多了就不一一列举了。

基于Python语言，在PyCharm软件下编写。
利用VGG模型进行图像风格转换，实现了界面可视化，可直接在界面上导入本地图片（内容图与风格图），并进行参数设置，然后进行图像风格的转换。
界面操作简单，代码注释清晰，且包含完整的论文。

模仿百度以图搜图功能/淘宝的拍立淘功能，使用的模型vgg-16，环境配置完毕可以直接使用，有问题欢迎交流。
开发环境：#windows10　　#tensorflow-gpu1.8+keras　　#python3.6

集合了卷积神经网络从神经网络分类Alnex,GoogleNetv1-v4,VGG,Resnet,NetworkinNetwork论文，图像检测R-CNN,FAST-RCNN,Faster-rcnn，Mask-rcnn，SSPN-net，SSD,YOLO，YOLO_v2,YOLO_v3,

TensorFlowVGG-16预训练模型，用于SSD-TensorFlow的Demo训练.

boostdesc和vgg文件缺失导致的树莓派opencv编译失败，需要使用此文件

从官网下载的Deeplab-v2中vgg和resnet的模型文件，包括caffemodel以及prototxt

猫狗分类模型（使用VGG-13网络训练所得）

opencv3.2编译需要用到的vgg_generated_64.i

为了说明训练过程，本示例将训练SegNet，一种用于图像语义分割的卷积神经网络(CNN)。
用于语义分割的其他类型网络包括全卷积网络(FCN)和U-Net。
以下所示训练过程也可应用于这些网络。
本示例使用来自剑桥大学的CamVid数据集展开训练。
此数据集是包含驾驶时所获得的街道级视图的图像集合。
该数据集为32种语义类提供了像素级标签，包括车辆、行人和道路。
本示例创建了SegNet网络，其权重从VGG-16网络初始化。
要获取VGG-16，请安装NeuralNetworkToolbox?ModelforVGG-16Network：安装完成后，运行以下代码以验证是否安装正确。
此外，请下载预训练版SegN

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。