蔬菜识别系统，使用Python作为主要开发语言，基于深度学习TensorFlow框架，搭建卷积神经网络算法。并通过对数据集进行训练，最后得到一个识别精度较高的模型。并基于Django框架，开发网页端操作平台，实现用户上传一张图片识别其名称。
王新民 编译自 Deep Learning Sandbox博客 量子位 出品 | 公众号 QbitAI 在计算机视觉领域里，有3个最受欢迎且影响非常大的学术竞赛：ImageNet ILSVRC（大规模
本页面收集了大量深度学习项目图像处理领域的代码链接。包括图像识别，图像生成，看图说话等等方向的代码，以便大家查阅使用。 图像生成 绘画风格到图片的转换：Neural Style https://lin
前面几节课我们给大家介绍的都是全连接神经网络，但全连接神经网络有个明显的缺点，那就是当网络层数较多时（尤其是在图像识别任务中），它每层的参数数量容易变得很大，不好控制。所以本节课老shi准备给大家介绍另外一种非常重要的网络结构——卷积神经网络。卷积神经网络(Convolutional Neural Network, CNN)近几年在深度学习中的应用非常广泛，特别是在图像识别、语音识别以及本文处理方面。可以说，卷积神经网络是深度学习中最重要的神经网络之一，例如图像识别中非常有名的LeNet、AlexNet、 ResNet、VGGNet、InceptionNet等网络结构都是在卷积神经网络基础上得来的。
keras 模块里面为我们提供了一个预训练好的模型，也就是开箱即可使用的图像识别模型
图像识别是计算机视觉领域的一项重要任务，通过分析和理解图像中的内容，使计算机能够自动识别和分类物体、场景和行为。随着深度学习技术的发展，机器学习在图像识别中的应用越来越广泛，推动了自动驾驶、医疗诊断、智能监控等领域的发展。本文将详细介绍机器学习在图像识别中的应用，包括数据预处理、模型选择、模型训练和性能优化。通过具体的案例分析，展示机器学习技术在图像识别中的实际应用，并提供相应的代码示例。
图像识别一直是人工智能领域的热门研究方向之一。深度学习模型在图像识别中的应用已经取得了显著的进展，使计算机能够像人一样理解和分类图像。本文将介绍如何使用深度学习模型来识别CIFAR-10数据集中的图像，并对模型的准确率进行分析。
深度学习是近年来人工智能领域的热门话题，它在图像识别、自然语言处理和推荐系统等任务中取得了显著的成就。深度信念网络（Deep Belief Networks，DBN）作为深度学习算法的一种，被广泛应用于无监督学习和特征学习任务中。本文将介绍深度信念网络的原理、结构和应用，并探讨其在深度学习领域的潜力。
TensorFlow和Keras最常见的用途之一是图像识别/分类。通过本文，您将了解如何使用Keras达到这一目的。
图像识别是人工智能中的重要分支之一，通过使用机器学习算法来训练模型，使其能够识别图像中的物体、场景或人脸等。在本文中，我们将介绍使用Python实现图像识别的方法，其中主要使用的是深度学习框架Keras和OpenCV库。
机器学习（ML）和人工智能（AI）在绘图计算领域的应用正在改变传统的设计和绘图方式。通过自动化设计生成、图像识别和增强现实等技术，AI和ML提高了绘图的效率和精度。本案例分析将探讨机器学习和人工智能对未来绘图计算的影响，并提供实际案例和代码示例展示其应用。
图像识别是当今深度学习的主流应用，而Keras是入门最容易、使用最便捷的深度学习框架，所以搞图像识别，你也得强调速度，不能磨叽。本文让你在最短时间内突破五个流行网络结构，迅速达到图像识别技术前沿。
原文：Getting Started with Deep Learning: A REVIEW OF AVAILABLE TOOLS 作者： MATTHEW RUBASHKIN 翻译：冯斌 【摘要】本文评估了当前热门的深度学习工具，对于想进行深度学习开发的团队来说，可以参考一二。以下为译文： 在硅谷数据科学公司里，我们的研发团队调研了从图像识别到语音识别等不同的深度学习技术。建立了一套收集数据、创建模型，评估模型的技术路线。然而，当开发者研究什么技术可应用时，却找不到一个简明的可供参考的总结材料来开始一个新
深度学习模型在图像识别领域的应用越来越广泛。通过对图像数据进行学习和训练，这些模型可以自动识别和分类图像，帮助我们解决各种实际问题。其中，CIFAR-10数据集是一个广泛使用的基准数据集，包含了10个不同类别的彩色图像。本文将介绍如何使用深度学习模型构建一个图像识别系统，并以CIFAR-10数据集为例进行实践和分析。文章中会详细解释代码的每一步，并展示模型在测试集上的准确率。此外，还将通过一张图片的识别示例展示模型的实际效果。通过阅读本文，您将了解深度学习模型在图像识别中的应用原理和实践方法，为您在相关领域的研究和应用提供有价值的参考。
为了防止老板看到我开小差，我创建了一个系统，自动识别他的脸并切换屏幕伪装成工作的样子。深度学习使你能够在老板接近时隐藏屏幕！
【摘要】本文评估了当前热门的深度学习工具，对于想进行深度学习开发的团队来说，可以参考一二。以下为译文： 在硅谷数据科学公司里，我们的研发团队调研了从图像识别到语音识别等不同的深度学习技术。建立了一套收
深度学习是机器学习领域中的一个分支，主要研究如何使用神经网络等深度结构来解决复杂的模式识别和决策问题。深度学习已经在图像识别、语音识别、自然语言处理等领域取得了很多成功的应用，也成为了人工智能研究的重要方向之一。
Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：
机器学习入门好文，强烈推荐 深度神经网络全面概述：从基本概念到实际模型和硬件基础 神经网络与深度学习 27种深度学习主流神经网络 三分钟搞懂深度学习：物体的识别和检测，以“找椅子”为例 ：代码和遇到问题后的解决方法 物体识别SIFT算法（Scale-Invariant feature transform，尺度不变特征变换）：可以使用 图像物体分类与检测算法综述：数据图像收集 训练自己haar-like特征分类器并识别物体（1）：opencv 【原】训练自己haar-like特征分类器并识别物体（2）:ope
谷歌2017开发者大会 Google I/O已经落幕，有不少亮点都值得我们学习和回顾，其中相当一部分是机器学习开发的内容。AI研习社精选了其中的精彩视频译制呈现给大家，该视频为中文字幕版首发！ 来自谷歌TensorFlow技术推广部的Josh Gordon 带来了一场主题为《用于图像、语言和艺术的开源TensorFlow模型》（Open Source TensorFlow Models for images, language and art）的演讲，介绍了最新的从图像识别和语义理解的TensorFlow
大数据文摘作品，转载要求见文末 作者 | Thimira Amaratunga 编译 | 宁云州、吴双、张伯楠 【深度学习】这个几年前还鲜为人知的术语，近期迅速蹿红，成为人尽皆知的大IP。不过在火起来之前，这个技术已经发展了十几年。人尽皆知前，深度学习是如何一步一步自我演化并走进公众视野的？ 1998年，Yann LeCun 发表Gradient-Based Learning Applied to Document Recognition，至今，深度学习已经发展了十几年了。以大家熟知的CNNs为代表的技术在
本文将为您揭开白盒攻击中鼎鼎大名的FGSM（Fast Gradient Sign Method）算法的神秘面纱！
链接 | https://zhuanlan.zhihu.com/p/147885624
LeNet-5是一个经典的卷积神经网络（CNN）算法，由Yann LeCun等人于1998年提出。它是第一个成功应用于手写数字识别的卷积神经网络，将深度学习引入到了计算机视觉领域。LeNet-5算法由七个网络层组成，其中包含了卷积层、池化层和全连接层，以及非线性激活函数等。
计算机视觉是人工智能领域中的一个重要分支，它致力于让计算机能够理解和处理图像、视频以及其他视觉数据。计算机视觉的发展已经在各个领域产生了深远的影响，包括医学诊断、自动驾驶、安全监控、人脸识别等。本文将从基础概念到高级应用，介绍计算机视觉的重要内容，并提供相关代码示例，让您深入了解这一领域。
自 2015 年 11 月首次发布以来，TensorFlow 凭借谷歌的强力支持，快速的更新和迭代，齐全的文档和教程，以及上手快且简单易用等诸多的优点，已经在图像识别、语音识别、自然语言处理、数据挖掘和预测等 AI 场景中得到了十分广泛的应用。 在所有这些 AI 应用场景中，或许是源于视觉对人类的直观性和重要性，图像识别成为其中发展速度最快的一个。目前，该技术已经逐渐趋于成熟，并在人脸和情绪识别、安防、医疗筛查和汽车壁障等诸多领域都取得了重大成功。 在这种情况下，对于绝大多数的 AI 开发者而言，利用 Te
在过去的几年里，图像识别研究已经达到了惊人的精确度。不可否认的是，深度学习在这个领域击败了传统的计算机视觉技术。 将神经网络应用于MNIST的数据集以识别手写的数字这种方法将所有的图像像素传输到完全连接的神经网络。该方法在测试集上的准确率为98.01%。这个成功率虽然看上去不错，但不是完美的。 应用卷积神经网络可以产生更成功的结果。与传统的方法相比，重点部分的图像像素将被传输到完全连接的神经网络，而不是所有的图像像素。一些滤镜应该被应用到图片中去检测重点部分的像素。 Keras是一个使用通用深度学习框架的A
在许多介绍图像识别任务的介绍中，通常使用着名的MNIST数据集。但是，这些数据存在一些问题：
图1：CompCars数据集的示例图像，整个数据集包含163家汽车制造商，1713种车型 王小新 编译自 Deep Learning Sandbox 量子位 出品 | 公众号 QbitAI 量子位曾经编译过Greg Chu的一篇文章，介绍了如何用Keras+TF，来实现ImageNet数据集日常对象的识别。 但是，你要研究的物体，往往不在那个列表中。我们可能想要区分出不同型号的太阳镜、认出不同的鞋子、识别各种面部表情、说出不同汽车的型号、在X光影像下判定肺部疾病的类型，这时候该怎么办？ Greg Chu
在本篇博客中，我们将详细探讨CIFAR-10数据集的下载和使用方法，涵盖了Python编程语言的应用，TensorFlow和PyTorch框架的实际操作指南。文章适合所有水平的读者，无论是机器学习的初学者还是有经验的数据科学家。CIFAR-10、机器学习、Python编程、TensorFlow教程、PyTorch实战等关键词将帮助您从搜索引擎轻松找到本文。
花朵识别系统，基于Python实现，深度学习卷积神经网络，通过TensorFlow搭建卷积神经网络算法模型，并对数据集进行训练最后得到训练好的模型文件，并基于Django搭建可视化操作平台。
深度学习是近年来兴起的一种机器学习方法，它通过模拟人脑神经网络的结构和功能，实现对大规模数据进行高效处理和学习。卷积神经网络（Convolutional Neural Networks，简称CNN）是深度学习中最重要和最常用的算法之一，它在图像识别、计算机视觉和自然语言处理等领域取得了巨大的成功。
随着深度学习的快速发展，各种神经网络模型涌现出来，CNN、Transformer和MLP（多层感知机）都是其中的代表。它们在不同的领域和任务中表现出色，但在某些方面也存在差异。本文将对它们进行比较，并探讨它们在不同场景下的优劣势。
医疗保健领域一直是深度学习技术取得巨大成功的领域之一。深度学习的强大模式识别和数据分析能力使其成为解决医学难题和改善患者护理的有力工具。本文将介绍深度学习在医疗保健领域的多个应用，包括图像识别、疾病预测和个性化治疗。
唐旭 编译整理 量子位出品 | 公众号 QbitAI 深度神经网络（DNN）已经被证明在图像识别、视频识别、自然语言处理、游戏人工智能等诸多不同领域都具有非常大的潜力，当前，DNN也已经被应用到多种产品之中。 然而，DNN计算所需的成本非常高，并且在通常情况下，DNN的执行需要基于硬件加速的大量执行环境设置进程。因此，要在像笔记本电脑、智能手机这样的终端用户设备上执行DNN并不十分现实。 过去解决这些问题的方法是云计算。而现在，东京大学机器智能实验室(MIL)开发的WebDNN又提出了一条新的途径。 Web
本书由 Keras 之父、现任 Google 人工智能研究员的弗朗索瓦 · 肖莱（Francois Chollet）执笔，详尽介绍了用 Python 和 Keras 进行深度学习的探索实践，包括计算机视觉、自然语言处理、产生式模型等应用。
在本文中，我们将学习如何使用keras，用手写数字图像数据集（即MNIST）进行深度学习。本文的目的是为了让大家亲身体验并熟悉培训课程中的神经网络部分。
Theano是在BSD许可证下发布的一个开源项目，是由LISA集团（现MILA）在加拿大魁北克的蒙特利尔大学开发的，其是以一位希腊数学家的名字命名的。
向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程 公众号：datayx 。 。 。 。 。 。 。 全部 代码 ，视频，数据集 获取方式： 关注微信公众号 datayx 然后回复 唐宇迪 即可获取。 机器学习算法AI大数据技术 搜索公众号添加： datanlp 长按图片，识别二维码 ---- 阅读过本文的人还看了以下文章： TensorFlow 2.0深度学习案例实战 基于40万表格数据集TableBank，用MaskRCNN做表格检测 《基于深度学习的自然
《Keras快速上手：基于Python的深度学习实战》系统地讲解了深度学习的基本知识、建模过程和应用，并以深度学习在推荐系统、图像识别、自然语言处理、文字生成和时间序列中的具体应用为案例，详细介绍了从工具准备、数据获取和处理到针对问题进行建模的整个过程和实践经验，是一本非常好的深度学习入门书。
.NET Core 在机器学习的应用场景，除了 ML .NET 还会介绍一个非常棒的開源技術 TensorFlow .NET ， Keras .NET.
随着越来越多的企业希望扩大其运营规模，它们已成为接受机器学习和预测分析的必要条件。人工智能与正确的深度学习框架相结合，真正放大了企业在其领域内可以实现和获得的整体规模。
【导读】 Keras作者、谷歌大脑François Chollet最新撰写的深度学习R语言实战书籍（预计2018年1月出版）《Deep Learning with R》介绍深入学习使用R语言和强大Keras库，详实新颖。这本书围绕着一系列实际应用，使用深度学习来解决实际问题，面向希望学习深度学习的数据科学家和R语言从业者，从实战角度出发带你用R语言快速上手深度学习方法，是R语言开发者不得不看的深度好文。随书同时提供代码，可以让你动手调试改进。 专知最近报道 Chollet 最新深度学习Python教程，详情
在这个AI技术日新月异的时代，作为程序员，我们面临着前所未有的机遇与挑战。本文深入探讨了AI的发展趋势、程序员应掌握的AI技能、实际项目案例以及未来职业规划。文章涵盖了深度学习、机器学习、数据科学等关键词，适合于各层次读者，无论是AI初学者还是资深开发者。本文将帮助你更好地理解AI时代的趋势，并作出明智的职业决策。
大概介绍下：MNIST数字分类项目旨在使用机器学习技术来构建一个模型，能够自动识别手写数字的图像。这个项目是一个经典的图像分类任务，常用于入门级机器学习和深度学习示例。我们会使用MNIST数据集，这个数据集包含了一系列28x28像素的手写数字图像，从0到9。项目的目标是训练一个模型，能够准确地将这些手写数字图像分类到正确的数字标签。
向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程 公众号：datayx 所有论文 包括已经录制完成和之后将要介绍的论文。选取的原则是10年内深度学习里有影响力文章（必读文章），或者近期比较有意思的文章。当然这十年里重要的工作太多了，不可能一一过一遍。在选取的时候我会偏向一些之前 直播课 中没讲到过的。 总论文数 67，录制完成数 32 全部 代码 ,预训练模型 获取方式： 关注微信公众号 datayx 然后回复 论文 即可获取。 机器学习算法AI大数据技术 搜索公众号添加： d
文件结构及意义 VGG16_model：存放训练好的VGG16模型——vgg16_weights_tf_dim_ordering_tf_kernels.h5
嵌入式系统已经成为我们生活中不可或缺的一部分，从智能手机到家用电器，几乎每个设备都搭载了嵌入式技术。随着人工智能的快速发展，将神经网络应用于嵌入式设备上变得越来越普遍。本文将深入探讨嵌入式人工智能的现状，以及神经网络在边缘设备上的应用。
昨日，ACM宣布AI界有“深度学习三巨头”之称的Yoshua Bengio、Yann LeCun、Geoffrey Hinton共同获得了2018年的图灵奖，这是图灵奖1966年建立以来少有的一年颁奖给三位获奖者。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
