matlabdir源代码Crop_DiseasesCropDiseasesDetection代码源于Google识别API，根据数据情况做了少许修改。
深度学习框架Tensorflow1.9密码:yq30生成TFrecords运行process.py将数据图像压缩生成TFRecords类型的数据文件，可以提高数据读取效率#修改process.py主函数路径，改为本人的下载后压缩的路径pythonprocess.py训练模型#配置train.sh参数#生成的TFrecords路劲(根据本人的实际修改，下同)DATASET_DIR=/media/zh/DATA/AgriculturalDisease20181023/tf_data#训练过程产生的模型，迭代保存的数据位置TRAIN_DIR=/media/zh/DATA/AgriculturalDisease20181023/check_save/resnetv1_101_finetune#定义预训练模型定义(预训练模型下载地址上面有给出)CHECKPOINT_PATH=/media/zh/DA

变压器-TTSPytorch实现与众所周知的saco2seq模型（如tacotron）相比，该模型的训练速度快约3至4倍，并且合成语音的质量几乎相同。
通过实验确认，每步花费约0.5秒。
我没有使用波网声码器，而是使用tacotron的CBHG模型学习了后网络，并使用griffin-lim算法将频谱图转换为原始波。
要求安装python3安装pytorch==0.4.0安装要求：pipinstall-rrequirements.txt数据我使用了LJSpeech数据集，该数据集由成对的文本脚本和wav文件组成。
完整的数据集（13,100对）可在下载。
我将和用作预处理代码。
预训练模型您可以下载预训练的模型（AR模型为160K，Postnet为100K）在检查点/目录中找到预训练的模型。
留意图约15k步后出现对角线对齐。
以下留意图以16

要解决的是一个医学图像的二分类问题，有AK和SK两种病症，根据一定量数据，进行训练，对图像进行预测。
给定图片数据的格式：解决思路整体上采用迁移学习来训练神经网络，使用InceptionV3结构，框架采用keras.具体思路：读取图片数据，保存成.npy格式，方便后续加载标签采用one-hot方式，由于标签隐藏在文件夹命名中，所以需要自行添加标签，并保存到.npy文件中，方便后续加载将数据分为训练集、验证集、测试集使用keras建立InceptionV3基本模型，不包括顶层，使用预训练权重，在基本模型的基础上自定义几层神经网络，得到最后的模型，对模型进行训练优化模型，调整超参数，提高准确率在测试集上对模型进行评估，使用精确率、召回率对单张图片进行预测，并输出每种类别的概率如何加载实际数据，如何保存成npy文件，如何打乱数据，如何划分数据，如何进行交叉验证如何使用keras进行迁移学习keras中数据增强、回调函数的使用，回调函数涉及：学习速率调整、保存最好模型、tensorboard可视化如何使用sklearn计算准确率，精确率，召回率，F1_

更新2021/03/27:（1）发布语义分割的预训练模型，其中PointNet++可以达到53.5%的mIoU。
(2)发布预训练模型用于分类和部分分割log/。
2021/03/20：更新分类代码，包括：(1)添加训练ModelNet10数据集的代码。
使用--num_category10.(2)添加仅在CPU上运行的代码。
使用--use_cpu.(3)增加离线数据预处理代码，加速训练。
使用--process_data.(4)添加用于均匀采样训练的代码。
使用--use_uniform_sample.2019/11/26:(1)修复了之前代码中的一些错误并增加了数据加强技巧。
现在只用1024分就可以达到92.8%！(2)增加了测试代码，包括分类和分割，以及可视化的语义分割。
(3)将所有模型整理成./models文件，方便使用。

使用VGG19迁移学习实现图像风格迁移这是一个使用预训练的VGG19网络完成图片风格迁移的项目，使用的语言为python，框架为tensorflow。
给定一张风格图片A和内容图片B，能够生成具备A图片风格和B图片内容的图片C。
此项目使用Python2.7+TensorFlow1.4编写，环境太过陈旧，可能无法正常运行起来。
1.下载预训练的vgg网络，并放入到项目的根目录中模型有500M+，故没有放到GitHub上，有需要请自行下载。
下载地址：http://www.vlfeat.org/matconvnet/models/beta16/imagenet-vgg-verydeep-19.mat2.选定风格图片和内容图片，放入项目根目录下的images文件夹中在项目根目录下的images文件夹中，有两张图片，分别为content.jpg和style.jpg，即内容图片和风格图片。
如果只是使用默认图片测试模型，这里可以不做任何操作。
如果要测试自定义的图片，请使用自定义的内容图片和/或风格图片替换该目录下的内容图片和/或风格图片，请保持命名与默认一致，或者在se

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。