安装GPU版本tensorflow、pytorch
如何让一个小白轻松安装深度学习框架？
猿创征文｜TensorFlow部署及最佳实践
TensorFlow （dataflow programming）是一个机器学习框架，如果你有大量的数据，或者你在追求人工智能最先进的技术：深度学习、神经网络等，它都会使你如虎添翼。
365天深度学习 | 第7周：咖啡豆识别
关于卷积的相关知识可以参考文章：https://mtyjkh.blog.csdn.net/article/details/114278995。我们可以通过class_names输出数据集的标签。2)需要的存储容量大，不利于部署。在官方模型与自建模型之间进行二选一就可以了，选着一个注释掉另外一个。VG
Code For Better 谷歌开发者之声----谷歌云基于TensorFlow高级机器学习
谷歌云基于TensorFlow高级机器学习
基于CNN卷积神经网络的TensorFlow+Keras深度学习的人脸识别
在上一篇博客中，利用CNN卷积神经网络的TensorFlow+Keras深度学习搭建了人脸模型：《基于CNN卷积神经网络的TensorFlow+Keras深度学习搭建人脸模型]》，本篇博客将继续利用CNN卷积神经网络的TensorFlow+Keras深度学习实现人脸识别...
【深度学习】基于卷积神经网络（tensorflow）的人脸识别项目（四）
实现一个基于界面化的一个人脸识别。本篇主要是实现第四步。最后一篇咯 1. 首先需要收集数据，我的想法是通过OpenCV调用摄像头进行收集人脸照片。 2. 然后进行预处理，主要是对对数据集分类，训练集、验证集、测试集。选取合适的参数，例如损失函数。图像灰度化、归一化等等操作。 3. 开始训练模型，提前
TensorFlow搭建LSTM实现时间序列预测（负荷预测）
TensorFlow搭建LSTM实现时间序列预测（负荷预测）
【深度学习】基于卷积神经网络（tensorflow）的人脸识别项目（二）
实现一个基于界面化的一个人脸识别。本篇主要是实现第二步。 1. 首先需要收集数据，我的想法是通过OpenCV调用摄像头进行收集人脸照片。 2. 然后进行预处理，主要是对对数据集分类，训练集、验证集、测试集。选取合适的参数，例如损失函数。图像灰度化、归一化等等操作。 3. 开始训练模型，提前创建好标签
深度学习03——手写数字识别实例
利用Sequential模块。
深度学习100例-卷积神经网络（CNN）猴痘病识别 | 第45天
本文为内部限免文章（版权归K同学啊所有）参考本文所写记录性文章，请在文章开头注明以下内容，复制粘贴即可DL+45。
pytorch和tensorflow函数对应表
pytorch和tensorflow函数对应关系
【深度学习实践（一）】安装TensorFlow
【深度学习实践（一）】安装TensorFlow
Anaconda3安装及jupyter环境配置（tensorflow）（Windows）
Anaconda3安装及jupyter环境配置（tensorflow）
【深度学习】（二）深度学习基础学习笔记
上一章介绍了机器学习的内容，这一章来了解一下深度学习。深度学习是在机器学习的基础上继续研究得来的，又经过了几十年日日夜夜的科研人员的研究，最终留下一些通用的、经典的算法，下面我们开始学习吧。对于图像处理来说，深度学习只需掌握CNN即可。下一节开始介绍近年来火爆的原始CNN基础上不断改进的神经网络模型
Tensorflow 2.x(keras)源码详解之第十五章：迁移学习与微调
1. 迁移学习与微调2. 了解 `trainable` 特性3. keras实现典型的迁移学习工作流4. 微调5. 使用自定义训练循环进行迁移学习和微调6. 一个端到端的实例：基于 Dogs vs. Cats 数据集微调图像分类模型
深度学习---三好学生各成绩所占权重问题（2）
深度学习---三好学生各成绩所占权重问题，训练神经网络
手写数字识别-基于卷积神经网络
机器识图的过程：机器识别图像并不是一下子将一个复杂的图片完整识别出来，而是将一个完整的图片分割成许多个小部分，把每个小部分里具有的特征提取出来（也就是识别每个小部分），再将这些小部分具有的特征汇总到一起，就可以完成机器识别图像的过程了。...
基于python的图像识别
这里图像识别，涉及到python3.9.1和python3.6.4。之所以着重提及python版本，是因为代码使用了tensorflow。而网上找到的相关代码都是tensorflow1.x.x，而现在都是2.x.x。为了配合tensorflow的使用，我就多安装了python3.6。英文官网和中文官
Mask_RCNN项目下载、配置、运行保姆级教程
Mask_RCNN项目下载、配置、运行保姆级教程
Tensorflow 2.x(keras)源码详解之第十三章：keras中的评估指标及自定义评估指标
@[toc]# 1. keras中API使用方法- 评估指标位于tf.keras.metrics模块，该模块下的评估指标都是一个类，需要实例化后，调用相应的方法，以tf.keras.metrics.Mean为例
