tensorflow训练之后的Inceptionv3模型，经过Imagenet数据得到的模型参数。
可以直接分类图片，或者经过Retrain实现迁移学习。
可以直接分类图片，或者经过Retrain实现迁移学习。
2024/4/27 1:39:56
84.87MB
1
《强化学习精要核心算法与TensorFlow实现》冯超著共386页；
内容简介《强化学习精要:核心算法与TensorFlow实现》用通俗幽默的语言深入浅出地介绍了强化学习的基本算法与代码实现，为读者构建了一个完整的强化学习知识体系，同时介绍了这些算法的具体实现方式。
从基本的马尔可夫决策过程，到各种复杂的强化学习算法，读者都可以从本书中学习到。
本书除了介绍这些算法的原理，还深入分析了算法之间的内在联系，可以帮助读者举一反三，掌握算法精髓。
书中介绍的代码可以帮助读者’快速将算法应用到实践中。
《强化学习精要:核心算法与TensorFlow实现》内容翔实，语言简洁易懂，既适合零基础的人员人门学习，也适合相关科研人员研究参考。
内容简介《强化学习精要:核心算法与TensorFlow实现》用通俗幽默的语言深入浅出地介绍了强化学习的基本算法与代码实现，为读者构建了一个完整的强化学习知识体系，同时介绍了这些算法的具体实现方式。
从基本的马尔可夫决策过程，到各种复杂的强化学习算法，读者都可以从本书中学习到。
本书除了介绍这些算法的原理，还深入分析了算法之间的内在联系，可以帮助读者举一反三，掌握算法精髓。
书中介绍的代码可以帮助读者’快速将算法应用到实践中。
《强化学习精要:核心算法与TensorFlow实现》内容翔实，语言简洁易懂，既适合零基础的人员人门学习，也适合相关科研人员研究参考。
2024/4/26 21:52:43
76.54MB
1
该文件包含一个densenet，一个resnet，一个inception网络。
2024/4/20 15:24:25
12.77MB
1
本书是NickMcClure在2017年推出的新书，依赖于Tensorflow环境，通过诸多的示例，详细介绍了各种函数和模型的搭建方法，非常适合想学习Tensorflow和深度学习的朋友，本书无码高清扫描，附带完整标签，文字代码均可复制编辑，并且已归档为PDF/A格式可以长期保存，另外本书在github上有代码可供学习！堪称完美，强烈推荐！
2024/4/16 6:43:46
4.17MB
1
TensorFlowVGG-16预训练模型，用于SSD-TensorFlow的Demo训练.
2024/4/15 20:21:16
489.54MB
1
物理网本文的Tensorflow实施：我们提供实验数据以进行演示和快速演示。
引用文献：王菲，姚明cha，王海超，孟柳，吉安卡洛·佩德里尼，沃尔夫冈·奥斯坦，乔治·巴巴斯塔斯蒂和国海司徒。
使用未经训练的神经网络进行相位成像。
轻科学学报9，77（2020）。
需求python3.6张量流1.9.0matplotlib3.1.3numpy的1.18.1枕头7.1.2摘要迄今为止，为光学计算成像（CI）提出的大多数神经网络都采用监督训练策略，因此需要大量训练来优化其权重和偏差。
在许多实际应用中，在许多小时的数据采集中，除了环境和系统稳定性的要求外，不可能获得足够数量的地面真实图像进行训练。
在这里，我们建议通过将代表图像形成过程的完整物理模型合并到常规的深度神经网络中来克服此限制。
最终的增强型物理深度神经网络（PhysenNet）的最大优势在于，无需事先培
引用文献：王菲，姚明cha，王海超，孟柳，吉安卡洛·佩德里尼，沃尔夫冈·奥斯坦，乔治·巴巴斯塔斯蒂和国海司徒。
使用未经训练的神经网络进行相位成像。
轻科学学报9，77（2020）。
需求python3.6张量流1.9.0matplotlib3.1.3numpy的1.18.1枕头7.1.2摘要迄今为止，为光学计算成像（CI）提出的大多数神经网络都采用监督训练策略，因此需要大量训练来优化其权重和偏差。
在许多实际应用中，在许多小时的数据采集中，除了环境和系统稳定性的要求外，不可能获得足够数量的地面真实图像进行训练。
在这里，我们建议通过将代表图像形成过程的完整物理模型合并到常规的深度神经网络中来克服此限制。
最终的增强型物理深度神经网络（PhysenNet）的最大优势在于，无需事先培
2024/3/31 3:15:13
1.04MB
1
该代码使用Tensorflowr1.7在Ubuntu14.04下使用Python2.7和Python3.5进行测试。
代码中包含测试用例。
模型使用固定图像标准化。
在中科院自动化所，WebFace数据集已经被用于训练。
该面部检测后，该训练集包括总共453453个图像，超过10575个身份。
如果在训练之前过滤了数据集，则可以看到一些性能改进。
有关如何完成此操作的更多信息将在稍后提供。
性能最佳的模型已经在VGGFace2数据集上进行了训练，该数据集由~3.3M面和~9000个类组成。
提供了几个预训练模型。
请注意，模型的输入图像需要使用固定图像标准化进行标准化
代码中包含测试用例。
模型使用固定图像标准化。
在中科院自动化所，WebFace数据集已经被用于训练。
该面部检测后，该训练集包括总共453453个图像，超过10575个身份。
如果在训练之前过滤了数据集，则可以看到一些性能改进。
有关如何完成此操作的更多信息将在稍后提供。
性能最佳的模型已经在VGGFace2数据集上进行了训练，该数据集由~3.3M面和~9000个类组成。
提供了几个预训练模型。
请注意，模型的输入图像需要使用固定图像标准化进行标准化
2024/3/22 22:19:22
2.1MB
1
(车牌识别)该文档主要是传入一张车头包含车牌的照片，便可识别车牌输出字符串，模型通过自己训练(赚点积分花)
2024/3/12 12:41:43
207.22MB
1
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。
2024-04-09 15:03
15KB