Auto.js-master.zip

Auto.js github下载较慢，此处下载较快。原地址请参考 https://github.com/hyb1996/Auto.js?files=1

打造自己的图像识别模型-全套源码.zip

通过slim工具，对VGG16进行微调训练数据，并得出模型，然后对新图片进行识别，整个过程。运行环境：tensorflow 1.9.0, python 3.6。源码不包含图片素材，但是包含生成好的tf格式，inception_v3文件，以及导出后的frozen_graph.pb文件。可在此基础上进行训练，也可直接用于识别图像操作。

转换tfrecord代码.zip

文件结构如下 ---pic 我们准备的图片 ------train 训练用 ------validation 验证训练结果用 ---data_convert.py 将我们准备的图片，转换为tfrecord ---src 资源工具代码 ------tfrecord.py tfrecord的转换类 其中，data_convert.py是我们转换的主要代码。 使用方法： 在文件夹下，运行： python data_convert.py -t pic/ \   --train-shards 2 \   --validation-shards 2 \   --num-threads 2 \   --dataset-name satellite  解释这里参数的含义：  -t pic：表示转换 pic文件夹中的数据。 pic 文件夹中必须有一个train目录和一个validation目录，分别代表训练和验证数据集每个目录下按类别存放了图像数据。 --train-shards：将训练数据集分为两块，即最后的训练数据就是两个tfrecord 格式的文件。 --validation-shards：将验证数据集分为两块。  --num-threads：采用两个线程产生数据。注意线程数必须要能整除train-shards validation-shards ，来保证每个线程处理的数据块数是相同的。  --dataset-name：给生成的数据集起一个名字。这里将数据集起名叫satellite，最后生成文件的开头就是 satellite_train、satellite_validation。

pro_01.zip

发表在csdn博客文章中的代码，具体请查看配套文章《基于tensorflow框架，自己实现一个最基础手写识别程序》。运行环境为Anaconda3，Python3.6。

解析android备份文件工具

最新代码在github上 https://github.com/nelenkov/android-backup-extractor

绿色免安装可运行tesseract_支持中文_包含chi_sim.traineddata+eng.traineddata

绿色免安装可运行tesseract_支持中文_包含chi_sim.traineddata+eng.traineddata 可正确识别【 ABCaDEGOmIDKG 150 ！@#￥%……&*（）——+| 6400 你好 】