在Opencv中运用预训练的深度学习模型，实现特定物体的识别

微博中文感情分析训练模型数据集

1、 训练数据准备所有数据均放置于Sample\Build\下，其中Build为数据类型，根据本人需要进行修改，本示例数据为512*512大小GF2建筑，训练数据按照:Sample\Build\train\IMG_T1-----------------------\IMG_LABEL-----------------\val\IMG_T1-----------------------\IMG_LABEL2、 训练参数设置参数和运行皆在dp0_train.py中，主要参数包括：（1） num_epochs，训练批次（2） learning_rate，学习率（3） dataset，步骤一本人构建的数据集名称（4） band，输入数据通道数（波段数）（5） n_class,模型输出通道数（类别）设置好后点击run即可3、 训练模型位置模型结构放与net文件中，生成模型文件pt位于Checkpointspath\4、 预测使用填写参数Checkpointspath，模型位置名称Dataset，待预测数据文件夹Outputpath，输出数据文件夹

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

这里面包含整个基于神经网络深度学习，实现人脸识别项目，包括原始数据，训练数据训练模型测试数据等，包含演示同步ppt文件，使用的开发工具是pycharm，基于python3实现，该案例可做为本科毕设的入门参考，ppt内容包含整个讲解过程，从人脸识别到cnn，卷积，从欧式距离到人脸表情变化的计算详情以及整个卷积的引见，可以做为入门以及会议上引见使用的文档。
参考文件基于CNN卷积神经网络实现人脸识别-人脸表情识别-同步ppt引见及基于python3实现识别源代码。

本软件是一个使用BP神经网络为制造模型，构建的一个二层网络学习模型，其中输入维数为2，隐层单元数为2，输出为1，模拟了与或门的学习过程。
作者通过制造，使得网络最佳效果能在400次左右能收敛，使用者可以通过多次运行来观察效果。

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

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。

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。