利用keras深度学习框架，生成人脸表情学习模型h5，转换为tensorflow的深度学习框架pb，在OpenCV中利用dnn调用pb模型并判断人脸表情

NLP-Models-Tensorflow ，针对NLP问题收集机器学习和tensorflow深度学习模型， Jupyter Notebooks内部的代码简化了100％ 。 目录 目的 原始的实现非常复杂，并且对初学者并不友好。 因此，我尝试简化其中的大部分内容。 此外，还有大量尚未发布的文件实施。 因此，随时将其用于您自己的研究！ 我将为我没有从头实现的模型附加github存储库，基本上，我会针对不赞成使用的问题复制，粘贴和修复​​这些代码。 Tensorflow版本 仅Tensorflow版本1.13及更高版本，不包括2.X版本。 1.13 <Tensorflow <2.0 pip install -r requirements.txt 内容 接受培训。 精度仅基于10个历元，使用单词位置计算得出。 完整列表（12个笔记本） LSTM Seq2Seq使用主题建模，测试精度为13.22％ LSTM Seq2Seq + Luong注意事项使用主题建模，测试准确性为12.39％ 采用主题建模的LSTM Seq2Seq + Beam Decoder，测试精度为10.67％

Spotty大大简化了在和上进行深度学习模型的培训： 它使在GPU实例上的训练与在本地计算机上的训练一样简单 它会自动管理所有必要的云资源，包括图像，卷，快照和SSH密钥 它使每个人都可以通过几个命令在云中训练您的模型 它使用轻松地将远程进程与其终端分离 通过使用和它可以为您节省多达70％的成本 文献资料 请参阅。 阅读文章中对于现实世界的例子。 安装 要求： Python> = 3.6 如果使用的是AWS，请参阅AWS CLI（请参阅）。 如果您使用的是GCP，请使用Google Cloud SDK（请参阅 ） 使用安装或升级Spotty： $ pip install -U spotty 开始使用 准备一个spotty.yaml文件并将其放在项目的根目录中： 请参阅的文件规范。 阅读文章为一个真实的例子。 启动实例： $ spotty start 它将运行竞价型实例，还原快照（如果有），将项目与正在运行的实例同步，然后将Docker容器与环境一起启动。 训练模型或运行笔记本。 要通过SSH连接到正在运行的容器，请使用以下命令： $ spotty sh

图片 :framed_picture: 分类App样板 您是否对Internet上的大量视频，博客和其他资源感到困惑，不知道在哪里以及如何部署AI模型？ 如果您有一个模板，可以在其中插入经过训练的模型文件，编辑一些促销文字，然后瞧瞧，那就好了，那就完成了。 好吧，别无所求，因为此存储库使您听起来像它一样容易！ 如何使用这个项目？ :thinking_face: :thinking_face: ： 注意：目前，我们仅专注于使用tensorflow / pytorch构建的图像分类模型。 稍后，我们将扩展到处理文本和语音数据以及使用MXNet或julia环境进行训练的模型 我假设您在操作系统中安装了Python（带有Anaconda）并设置为path。 如果没有，请访问。 强烈建议将GIT与Python结合使用以进行版本控制和部署 A.获取我们的模板并进行设置： 打开GitHub 使用您的凭据登录。 [如果尚未创建帐户，请创建] 打开系统上的终端/命令提示符 移至要在本地保存项目文件的合适位置 示例： cd Desktop/projects 克隆存储库。 git clo

机器学习和深度学习模型汇总：CNN :Alexnet,vggnet,Google Inception Net,resnet

使用深度学习模型在手机上检测皮肤病变

深度学习模型-稀疏自编码matlab算法，内带数据集可直接运行。

使用训练好的模型进行物体识别，对于人、车的识别成功率极高，亲测好用！

深度学习，模型裁剪方面的讲义，有关量化，裁剪，等前沿动态。