机器学习
一些机器学习算法的代码实现，如果没有特殊说明，均为采用TensorFlow v2编写。
项目列表
-
Image classification | 图像分类
-
MNIST digits classification
MNIST数字识别，属于早期项目，采用
TensorFlow v1进行实现，模型采用卷积神经网络。 -
MNIST digits classification with RNN
通过RNN来实现的MNIST数字识别，拥有同样高的准确率。
-
CIFAR-10 image classification
采用
TensorFlow v1，用于测试ResNet和调参的影响。
在训练过程中不断输出了每一层网络的梯度最大值，因而会产生较大的日志文件，注意空间占用。 -
Poker recognition
采用
TensorFlow v1，实现了对于扑克牌花色、数字的识别。
模型主要通过迁移学习（Inception V3）来实现快速训练，主要思路在于利用数据增广来增加泛化性能，数据集只需要提供每一张牌对应一张图片即可。
注意模型设计并不合理，对于花色和数字的识别分开实现、运行了两个模型，实际上可以进行合并。但运行预测时，通过GPU加速仍然可以实时处理视频流。
-
-
Object detection | 目标检测
-
Face detection with OpenCV
通过
OpenCV的Haar Cascade实现，最大的特点就是快，缺点是不是很准。
替换.xml格式的配置文件之后可以进行其他内容的检测，很方便。 -
YOLO V1
基于
TensorFlow v2的YOLO V1实现。
-
-
Text | 文本
-
Text generation
基于RNN的文本生成，用于对RNN文本学习能力的简单测试。可以基本实现对预料的词汇的学习，但是生成的文本缺乏语义，难以体会出其含义。
只使用了最为简单的模型，但是在model中可以扩充、替换更强大的模型。
-
-
Generation | 生成
-
Handwritten digit generation with DCGAN
使用DCGAN来以随机噪声为输入，生成手写数字。
新增以指定的数字+随机噪声为随机扰动，生成所指定的数字图像。 -
Pix2Pix common framwork
Pix2Pix的实现，算法本身利用了GAN的**，旨在构建图像统一的端到端训练模型。
-
目录约定
非特殊情况下（历史原因、特殊文件），各个项目内的文件按如下方式组织：
Project_root.
├── .gitignore # 如果有额外的忽略文件，添加在这里
├── Train.py # 主要功能的调用
├── README.md # 当前项目的说明
├── ...
├── logs
│ └── ... # 日志文件
├── templates
│ └── ... # 模板
├── configs
│ └── ... # 设置
├── data_loaders
│ └── ... # 数据集加载
├── models
│ └── ... # 模型
├── trainers
│ └── ... # 训练
├── utils
│ └── ... # 功能性代码
└── ...data_loader、model和trainer均采用Python类构建，继承templates下的统一模板。
config定义在每一个data_loader、model等的同文件下，在config中创建实例并赋值各个设置参数。