[keras]如何解决MNIST数据集下载不了的问题-附件资源

利用CNN处理CIFAR-10的测试精度没达到0.9，所以来试试Rsenet~通过数据增强等处理方式，利用20层的Resnet对其进行测试，精度达到0.9139.

CTPNDenseNetCTCbasedend-to-endChineseOCRimplementedusingtensorflowandkeras

Keras中文文档pdf，方便离线学习，需要遵守下面的约定：1.除非得到授权，否则不可用于商业场合2.清晰标注作者和所有贡献者的信息

Deeplearningsimplifiedbytakingsupervised,unsupervised,andreinforcementlearningtothenextlevelusingthePythonecosystemTransferlearningisamachinelearning(ML)techniquewhereknowledgegainedduringtrainingasetofproblemscanbeusedtosolveothersimilarproblems.Thepurposeofthisbookistwo-fold;firstly,wefocusondetailedcoverageofdeeplearning(DL)andtransferlearning,comparingandcontrastingthetwowitheasy-to-followconceptsandexamples.Thesecondareaoffocusisreal-worldexamplesandresearchproblemsusingTensorFlow,Keras,andthePythonecosystemwithhands-onexamples.ThebookstartswiththekeyessentialconceptsofMLandDL,followedbydepictionandcoverageofimportantDLarchitecturessuchasconvolutionalneuralnetworks(CNNs),deepneuralnetworks(DNNs),recurrentneuralnetworks(RNNs),longshort-termmemory(LSTM),andcapsulenetworks.Ourfocusthenshiftstotransferlearningconcepts,suchasmodelfreezing,fine-tuning,pre-trainedmodelsincludingVGG,inception,ResNet,andhowthesesystemsperformbetterthanDLmodelswithpracticalexamples.Intheconcludingchapters,wewillfocusonamultitudeofreal-worldcasestudiesandproblemsassociatedwithareassuchascomputervision,audioanalysisandnaturallanguageprocessing(NLP).Bytheendofthisbook,youwillbeabletoimplementbothDLandtransferlearningprinciplesinyourownsystems.WhatyouwilllearnSetupyourownDLenvironmentwithgraphicsprocessingunit(GPU)andCloudsupportDelveintotransferlearningprincipleswithMLandDLmodelsExplorevariousDLarchitectures,includingCNN,LSTM,andcapsulenetworksLearnaboutdataandnetworkrepresentationandlossfunctionsGettogripswithmodelsandstrategiesintransferlearningWalkthroughpotentialchallengesinbuildingcomplextransferlearningmodelsfromscratchExplorereal-worldresearchproblemsrelatedtocompute

基于keras的yolov3物体检测源码，可以直接运行使用，用于物体的定位识别。

cifar10_文件夹分类，每一类图片被存储在对应文件夹下，方便keras直接从文件夹中读取

教程很棒，但是构建项目是最好的学习方法。
做基于项目的学习，以正确的方式学习代码！ProjectLearn提供了精选的项目教程列表，学习者可以在其中从头开始构建应用程序。
这些分为不同的类别，即Web开发，移动开发，游戏开发，机器学习，深度学习和人工智能。
该列表包含有关许多需求语言和技术的项目教程，包括ReactJS，NodeJS，VueJS，Flutter，ReactNative，.NETCore，Unity，TensorFlow，OpenCV，Keras等。
要贡献此列表，请访问以获取更多详细信息：）项目教程列表：网络开发：项目技术领域链接构建自己的Uber-for-X应用程序HTML5，JavaScript，Node，Express，MongoDB构建一个社区驱动的交付应用程序Python，Django，PostgreSQL，JavaScript，Mapbox生成本地商店搜索和发现应用程序Python，Django，PostgreSQL，JavaScript，Mapbox使用React.js和Node.js的中等克隆React，Node，

基于python3.6实现的，Keras相关资源：LSTM预测模型训练，IMDB数据加载，国际旅行人数预测，IMDB影评分类预测，数据标准化，模型保存到本地，从本地加载训练好的模型，plt图形绘制，以及IMDB数据和国际旅行人数数据包。

利用keras深度学习框架，生成人脸表情学习模型h5，转换为tensorflow的深度学习框架pb，在OpenCV中利用dnn调用pb模型并判断人脸表情

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。