NLP-Models-Tensorflow，针对NLP问题收集机器学习和tensorflow深度学习模型，JupyterNotebooks内部的代码简化了100％。
目录目的原始的实现非常复杂，并且对初学者并不友好。
因而，我尝试简化其中的大部分内容。
此外，还有大量尚未发布的文件实施。
因而，随时将其用于您自己的研究！我将为我没有从头实现的模型附加github存储库，基本上，我会针对不赞成使用的问题复制，粘贴和修复这些代码。
Tensorflow版本仅Tensorflow版本1.13及更高版本，不包括2.X版本。
1.13<Tensorflow<2.0pipinstall-rrequirements.txt内容接受培训。
精度仅基于10个历元，使用单词位置计算得出。
完整列表（12个笔记本）LSTMSeq2Seq使用主题建模，测试精度为13.22％LSTMSeq2Seq+Luong注意事项使用主题建模，测试准确性为12.39％采用主题建模的LSTMSeq2Seq+BeamDecoder，测试精度为10.67％
目录目的原始的实现非常复杂，并且对初学者并不友好。
因而，我尝试简化其中的大部分内容。
此外，还有大量尚未发布的文件实施。
因而，随时将其用于您自己的研究！我将为我没有从头实现的模型附加github存储库，基本上，我会针对不赞成使用的问题复制，粘贴和修复这些代码。
Tensorflow版本仅Tensorflow版本1.13及更高版本，不包括2.X版本。
1.13<Tensorflow<2.0pipinstall-rrequirements.txt内容接受培训。
精度仅基于10个历元，使用单词位置计算得出。
完整列表（12个笔记本）LSTMSeq2Seq使用主题建模，测试精度为13.22％LSTMSeq2Seq+Luong注意事项使用主题建模，测试准确性为12.39％采用主题建模的LSTMSeq2Seq+BeamDecoder，测试精度为10.67％
2019/6/21 2:21:45
36.31MB
1
yolov4-deepsort使用YOLOv4，DeepSort和TensorFlow实现的对象跟踪。
YOLOv4是一种先进的算法，它使用深度卷积神经网络来执行对象检测。
我们可以将YOLOv4的输出输入这些对象检测到DeepSORT（带有DeepAssociationMetric的简单在线和实时跟踪）中，以创建一个高度精确的对象跟踪器。
关于对象的对象跟踪器的演示汽车上的对象跟踪器演示入门首先，请通过Anaconda或Pip安装适当的依赖项。
我建议使用GPU的人使用Anaconda路由，由于它可以为您配置CUDA工具包版本。
conda（推荐）#TensorflowCPUcondaenvcreate-fconda-cpu.ymlcondaactivateyolov4-cpu#TensorflowGPUcondaenvcreate-
YOLOv4是一种先进的算法，它使用深度卷积神经网络来执行对象检测。
我们可以将YOLOv4的输出输入这些对象检测到DeepSORT（带有DeepAssociationMetric的简单在线和实时跟踪）中，以创建一个高度精确的对象跟踪器。
关于对象的对象跟踪器的演示汽车上的对象跟踪器演示入门首先，请通过Anaconda或Pip安装适当的依赖项。
我建议使用GPU的人使用Anaconda路由，由于它可以为您配置CUDA工具包版本。
conda（推荐）#TensorflowCPUcondaenvcreate-fconda-cpu.ymlcondaactivateyolov4-cpu#TensorflowGPUcondaenvcreate-
2022/10/18 9:17:23
73.99MB
1
tensorflow_gpu-1.15.3-cp37-cp37m-win_amd64.whltensorflow_gpu-1.15.3-cp37-cp37m-win_amd64.whl
2016/7/10 10:54:25
280.41MB
1
tensorflow1.14版本，适用于cp37,win64，安装方式：翻开cmd，进入所在文件夹，pipinstall+文件名
2018/1/10 17:06:28
63.55MB
1
里面是曾经训练好的人脸表情识别,只需要将照片路径调对,就会进行识别.在使用之前请先将keras和TensorFlow安装好,有不会的可以评论加我qq
2019/7/1 11:54:03
13.65MB
1
基于TensorFlow的FasterR-CNN源码目录构造----data----experiments----faster_rcnn----libs
2016/4/8 20:08:29
505KB
1
包含五百张训练样本和标签tensorflow实现的yolov3可搭配博客一同食用：https://blog.csdn.net/zmdsjtu/article/details/102845590
2020/1/3 9:27:30
142.16MB
1
针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。
利用TensorFlow框架,构建了特征提取网络和多层特征匹配网络。
基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。
基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。
实例分析表明,与非深度学习检测模型相比,所提模型可愈加有效地完成异常用电模式检测。
此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。
利用TensorFlow框架,构建了特征提取网络和多层特征匹配网络。
基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。
基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。
实例分析表明,与非深度学习检测模型相比,所提模型可愈加有效地完成异常用电模式检测。
此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。
2016/8/6 7:32:44
527KB
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