Advertisement

Google/TensorFlow训练完成的inception_v4模型数据

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
简介：本数据集包含通过Google TensorFlow框架训练完成的Inception v4深度学习模型的相关信息和参数。适合用于图像分类研究与应用。 Google/TensorFlow已训练的模型数据inception_v4代码请参考官方GitHub仓库。具体的代码可以在TensorFlow models库中的research/slim目录下找到。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Google/TensorFlow训练完成的inception_v4模型数据
    优质
    简介：本数据集包含通过Google TensorFlow框架训练完成的Inception v4深度学习模型的相关信息和参数。适合用于图像分类研究与应用。 Google/TensorFlow已训练的模型数据inception_v4代码请参考官方GitHub仓库。具体的代码可以在TensorFlow models库中的research/slim目录下找到。
     
  • Google官方发布BERT的Python TensorFlow代码及预训练模型
    优质
    简介：Google正式发布了基于Python和TensorFlow框架的BERT源码及其预训练模型，为自然语言处理任务提供了强大的工具。 Google官方发布了BERT的TensorFlow代码和预训练模型。
     
  • 四种用TensorFlow训练的模型
    优质
    本项目涵盖了使用TensorFlow框架训练的四种不同类型的机器学习或深度学习模型，适用于各种应用场景。 TF Classify、TF Detect、TF Stylize 和 TF Speech 四种模型训练完成后，请将它们下载到 gradleBuild/downloads 文件夹下。
     
  • 使用TensorFlow训练MTCNN模型
    优质
    本项目采用TensorFlow框架实现MTCNN（Multi-Task Cascaded Convolutional Networks）模型的训练过程，旨在提升人脸检测精度与效率。 TensorFlow训练MTCNN模型的教程提供了详细的指导文档，一步步教你进行操作。
     
  • TensorFlow 数据读取、模型训练与测试代码
    优质
    本项目通过TensorFlow框架展示数据读取、模型构建、训练及测试全流程。适合机器学习初学者和进阶者参考实践。 TensorFlow可以用于读取数据集中的数据，并对运算结果进行保存。此外，它还支持训练模型以及测试模型的功能。
     
  • Facenet 训练完成的模型（日期：20180402-114759）
    优质
    该模型为2018年4月2日11点47分59秒训练完成的人脸识别深度学习模型，基于Facenet架构，用于精准的人脸配准与身份验证。 Facenet训练好的模型20180402-114759用于TensorFlow FaceNet人脸识别。
     
  • 使用TensorFlow在MNIST数据集上训练和测试模型
    优质
    本项目利用TensorFlow框架，在经典的MNIST手写数字数据集上进行深度学习模型的训练与验证，旨在优化识别精度。 使用TensorFlow框架在MNIST数据集上训练一个神经网络模型，并确保调试通过后上传给大家学习参考。整个项目包含三个.py文件：其中一个用于前向传播过程的实现，另外两个分别用于训练和测试该模型。项目的结构是这样的：MNIST数据集被放置在一个名为mnist的文件夹内；另一个保存着训练好的模型的文件夹，则便于后续直接使用这些预训练的权重参数进行预测或进一步研究。
     
  • BERT： TensorFlow代码及预训练模型
    优质
    BERT: TensorFlow代码及预训练模型提供了基于Transformer架构的双向编码器表示方法，用于自然语言处理任务，包括问答和情感分析等。此资源包含开源代码与预训练模型。 2020年3月11日发布的新产品是更小的BERT模型（仅限英语版本且无大小写区分）。此版本包含了24个较小的BERT模型，并使用WordPiece掩码进行了训练。我们已经证明，除了标准的BERT-Base和BERT-Large之外，其他多种尺寸的模型在采用相同的模型架构及训练目标时也是有效的。这些更小的模型特别适用于计算资源有限的情况，在这种情况下可以按照与原始BERT模型相同的方式进行微调。然而，它们最有效地应用于知识提炼场景中，即通过更大的、更为准确的老师来进行微调标签制作。 发布这一版本的目标是为那些拥有较少计算资源的研究机构提供支持，并鼓励社区探索增加模型容量的新方法。这些较小的BERT模型可以从表格下载，该表列出了不同参数组合的情况： - 高度（H）：128, 256, 512, 768 - 层数（L）：2, 4, 6, 8, 10, 12 请注意，在此版本中包含的BERT-Base模型是为了完整性考虑而重新训练的，其条件与原始模型相同。以下是测试集上的相应GLUE分数： 这些较小的BERT模型为研究和应用提供了灵活性，并且在计算资源有限的情况下仍然可以实现有效的性能提升。
     
  • 训练完成的车辆分类检测模型
    优质
    本项目成功研发了一套高效的车辆分类与检测系统，通过深度学习技术识别并区分各类车型，适用于智能交通管理和自动驾驶领域。 模型已经训练完成，并且准确率达到98%，能够识别Truck（卡车）、SUV、SportsCar（跑车）、Car（轿车）、Bus（公共汽车）、MicroBus（小型巴士）和Jeep这几个类别的汽车。该模型可以与Keras_rerinanet一起使用。
     
  • 利用训练完成的模型进行预测
    优质
    本项目旨在运用已训练成功的机器学习或深度学习模型对新数据进行预测分析，以实现特定目标如分类、回归等。 使用训练好的模型进行预测可以与我的模型训练和保存过程配套使用。