TensorFlow深度学习

SequenceToSequence

SequenceToSequence 神经网络原理论文。采用LSTM神经网络

Python-RLSeq2Seq用于SequencetoSequence模型的深度强化学习

Deep Reinforcement Learning For Sequence to Sequence Models

Python-使用PyTorchSequencetoSequence学习

这是一个完整的套件，用于训练PyTorch中的序列到序列模型。 它由几个模型和代码来训练和推断使用它们。

sequence to sequence

sequence-to-sequence-learning-with-neural-networks.

Sequence to Sequence模型理解

借鉴博客：几张图彻底搞定Seq2Seq Sequence to Sequence模型由两部分组成：Encoder和Decoder。在机器翻译过程中，假设要将汉语翻译成英语，首先，我们需要两个词典，一个是汉语的词语与数字（index）的一一对应的词典，另一个是英语单词与数字（index）的一一对应的词典，这样，就可以由词语得到数字，也可以由数字得到词语。 1.Encoder部分：对于输入的一句汉语，将其切割成汉语词语，通过查汉语词典得到词语对应的数字，将每个数字转换为一个固定长度的向量，作为循环神经网络RNN的输入，例如X1,X2,X3X_1,X_2,X_3X1​,X2​,X3​，先输入X1X

【深度学习】tensorflow 卷积神经网络 实现手写数字识别

激活函数： tf.nn.relu(features, name=None) features:卷积后加上偏置的结果 return:结果 卷积层： tf.nn.conv2d(input, filter, strides=, padding=, name=None) 计算给定4-D input和filter张量的2维卷积 input：给定的输入张量，具有[batch,heigth,width,channel]，类型为float32,64 **filter：**指定过滤器的大小，[filter_height, filter_width, in_channels, out_channels] stri

深度学习使用卷积神经网络CNN及以tensorflow代码实现

这段代码中，我们导入必要的TensorFlow模块和CIFAR-10数据集，规范化像素值，并将类向量转换为二进制类矩阵。我们定义了一个学习率计划、数据增强和CNN模型，该模型由几个卷积层、批处理归一化、激活函数、最大池化、dropout和密集层组成。我们还定义了一个优化器，编译模型，并定义了学习率调度、提前停止和模型检查点的回调。最后，在测试集上对模型进行训练和评估。

针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别

针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别

tensorflow:人工智能之深度学习：基于tensorflow框架+ Keras API 实现对视频、图像、语音、文本进行处理

# 基于tensorflow1.7.0 + object detection API 实现视频识别、语言识别、文本识别功能   前言：在搭建环境的时候，如果采用源码安装，到处都是坑，估计2天时间都未必能弄好，   所以，建议尽量不采用源码安装。    一 、TensorFlow 环境搭建（为了保证本项目运行成功）请严格按照下面步骤按照 python3.5(3.5或以上 ,其中pip3 需要升级到 10.1) Protobuf 3.3 (官方说的2.6 在用protoc编译时出错 ) Python-tk Pillow 1.0 lxml tf Slim (which is included in the "tensorflow/models/research/" checkout) Jupyter notebook Matplotlib Tensorflow Cython cocoapi  

字符型图片验证码识别，使用tensorflow实现卷积神经网络，进行验证码识别.zip

本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。 项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减

Deep Learning with TensorFlow

Pro_Deep_Learning_with_TensorFlow_－_A_Mathematical_Approach_to_Advanced_Artificial_Intelligence_in_Python

Python-利用TensorFlow深度强化学习

利用TensorFlow深度强化学习

python语音识别

一个python编写的将文字转换成语音的程序，可以当广播用。所需要的外接库：baidu-api

Python-有关使用TensorFlow进行深度学习的有用资源

有关使用TensorFlow进行深度学习的有用资源

基于神经网络的语音情感识别

基于神经网络的语音情感识别

Python-基于TensorFlow训练的人脸识别神经网络

在本文中，我们将深入探讨如何使用Python编程语言和强大的机器学习库TensorFlow构建一个人脸识别的神经网络模型。人脸识别是一项广泛应用于安全、监控、社交媒体和个人身份验证的技术，它利用计算机视觉和深度学习来...

Python-使用TensorFlow进行年龄和性别检测

总结来说，"Python-使用TensorFlow进行年龄和性别检测"项目涉及了深度学习中的许多关键步骤，包括数据预处理、模型构建、训练、评估和应用。通过理解和掌握这些概念，你可以创建一个能够准确预测人脸属性的系统，为...

Python-利用TensorFlow学习机器学习

本教程“Python-利用TensorFlow学习机器学习”旨在帮助初学者掌握如何使用Python和TensorFlow进行机器学习实践。 首先，了解Python基础是必要的，包括数据类型、控制结构、函数和类等概念。Python以其简洁的语法和...

Python-用TensorFlow实现神经网络实体关系抽取

在这个项目中，我们将探讨如何使用Python和TensorFlow库来构建一个神经网络模型，实现这一功能。TensorFlow是一个强大的开源库，广泛应用于深度学习，尤其在构建复杂的神经网络结构时。 首先，我们需要理解实体关系...

Python-利用TensorFlow实现的深度卷积神经网络项目

在本项目中，我们将深入探讨如何使用Python编程语言和强大的TensorFlow库来构建一个深度卷积神经网络（Deep Convolutional Neural Network, DCNN）。深度学习是机器学习的一个分支，它模仿人脑的工作原理，通过多层...

Python-本项目针对字符型图片验证码使用tensorflow实现卷积神经网络进行验证码识别

项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。

cnn_captcha：使用cnn通过tensorflow识别验证码。本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别

cnn_captcha 使用CNN通过张量流识别验证码。本项目针对字符型图片验证码，使用张量流实现卷积神经网络，进行验证码识别。项目封装了比较通用的校验，训练，验证，识别，API模块，极大地减少了识别字符型验证码花费的时间和能量。 如果您在使用过程中出现了一个错误和做好的改进，欢迎提出问题和PR，作者会尽快回复，希望能和您共同完善项目。 如果您需要识别点选，拖拽类验证码，或者有目标检测需求，也可以参考这个项目 。 时间表 2018.11.12 初版Readme.md 2018.11.21 加入关于验证码识别的一些说明 2018.11.24 优化验证数据集图片的规则 2018.11.26 tr

Python基于深度学习框架tensorflow的大乐透预测项目源码，使用stm长短期记忆神经网络对大乐透预测项目源码

Python基于深度学习框架tensorflow的大乐透预测项目源码，使用stm长短期记忆神经网络对大乐透预测项目源码，代码注释完善，上手容易

signlanguage-tensorflow:使用Tensorflow对象检测和Python进行实时手语检测| 深度学习固态硬盘

手语-张量流 使用Tensorflow对象检测和Python进行实时手语检测| 深度学习固态硬盘 再次运行 Collector.ipynb 运行labelImg和label 复制13个要训练的文件和2个要测试的文件 该代码基于YouTube上的的教程。

Deep-learning-ML-and-tensorflow:使用Tensorflow进行线性回归，逻辑回归和深度学习实现的示例，例如Transformers，gans，cnns，rnns等。 我的书中讨论了这里的代码示例

深度学习机器学习和张量流 使用Tensorflow进行线性回归，逻辑回归和深度学习实现的示例，例如Transformers，gans，cnns，rnns等。 我的书中讨论了此处的代码示例：深度学习算法和深度学习入门

Python实现简单的语音识别系统

主要介绍了Python实现简单的语音识别系统，具有一定借鉴价值，需要的朋友可以参考下。

python实现说话人识别实验与开发

Auto Speaker Recognition main.py the main file for test audio_record.py record audio from micro phone count_days.py count days between two date. 20110805 20160903 mfcc_feature.py extract mfcc feature from wav files SGD.model* the trained model on train set , and the accurate is 70% util.py contains the most useful functions train train data is 75% of all the data test test data is 25% of all the data and has no overlap with train set classification_SGD.py is the main classification function py file , and it used the sklearn's SGD niter was set 10000 could get 70% of accurate. classification_BNB.py this is the sklern naive_bayes BernoulliNB , and it reach to just 56% classification_DT.py this is the sklern tree.DecisionTreeClassifier , and it reach to just 63% classification_GB.py this is the sklern GradientBoostingClassifier, and it reach to the best now of 76% when n_estimators=1000, but it produce too many model components to store. classification_GNB.py this is the sklern naive_bayes GaussianNB, and it reach to just 63% vote_result.py add a vote decsion , every method have the acurrcy number ticiks to vote the final answer. after the vote , we achived 96% at test set. beta1.0

Python-基于深度学习的中文语音识别系统

A Deep-Learning-Based Chinese Speech Recognition System 基于深度学习的中文语音识别系统

基于Python的音频指纹识别

基于Python的音频指纹识别系统现在可以做到听歌识曲，但是对于语音识别不是一个好的工具

基于深度学习的音频情绪识别系统

Python 3.8 Keras & TensorFlow 2 用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。 识别准确率提高到了 80% 左右 TensorFlow 2 / Keras：LSTM & CNN (tensorflow.keras) scikit-learn：SVM & MLP 模型，划分训练集和测试集 joblib：保存和加载用 scikit-learn 训练的模型 librosa：提取特征、波形图 SciPy：频谱图 pandas：加载特征 Matplotlib：绘图 NumPy pip install -r requirements.txt python preprocess.py --config configs/example.yaml python train.py --config configs/example.yaml python predict.py --config configs/example.yaml import utils utils.spectrogram(file_path)