提供详尽的深度学习和机器学习速查表，包括Tensorflow、Keras、Numpy等热门工具，帮助工程师和研究人员快速掌握核心知识，提高工作效率。访问AI Cheatsheets获取更多资源和最新技术信息，适用于各水平从业者。

提供斯坦福CS 20课程的TensorFlow代码示例和详细课程笔记，涵盖Python 3.6与TensorFlow 1.4.1，实时更新课程进度，包含前一年课程的资源。详细信息见课程大纲和设置指南。

TensorLayer 是一个基于 TensorFlow 的深度学习和强化学习库，为研究人员和工程师提供多种可定制的神经网络层，简化复杂 AI 模型的构建。它设计独特，结合了高性能与灵活性，支持多种后端和硬件，并提供丰富的教程和应用实例。广泛应用于全球知名大学和企业，如谷歌、微软、阿里巴巴等。

DeepCTR是一个简易、模块化、可扩展的深度学习CTR模型库，提供tf.keras.Model和TensorFlow Estimator接口，适用于快速实验和大规模数据分布式训练。兼容TensorFlow 1.x和2.x，支持多种复杂模型的构建和预测。

MACE是一款专为Android、iOS、Linux和Windows设备设计的深度学习推理框架，优化了NEON、OpenCL、Hexagon等技术以提升性能。它支持多种模型格式，如TensorFlow、Caffe和ONNX，并提供高级API进行电源管理和UI响应优化。MACE设计注重内存使用、模型保护和平台覆盖，提供丰富的模型格式支持。

textgenrnn是一个基于Keras和TensorFlow的Python 3模块，只需几行代码即可训练不同规模和复杂度的文本生成神经网络。支持字符级和词级训练，并可使用预训练模型加快训练。其现代架构利用注意力加权和跳过嵌入等技术，提升模型质量和训练速度。可在GPU上训练并在CPU上生成文本，还可在Colab中免费试用。

《AI-for-Beginners》是一个为期12周的课程，涵盖了从神经网络和深度学习到计算机视觉和自然语言处理的多种AI主题。本课程适合初学者，通过具体的课程内容及实践，帮助你理解并应用AI技术。此外，课程还包括伦理问题的讨论，确保技术应用的负责任。加入我们，一起在AI的世界中不断探索和学习。

TensorFlow-Examples提供针对TensorFlow 1和2的详尽教程，涵盖从基础操作到高级模型如深度神经网络，适合初学者通过详细的笔记本和代码解析深入学习，同时介绍最新的API使用实践，如layers、estimator和dataset。

Horovod是一个分布式深度学习训练框架，提供对TensorFlow, Keras, PyTorch, Apache MXNet的支持。它优化了多GPU并行训练的过程，使得在多GPU上进行训练既快速又简单，无需重大代码修改。Horovod展示了高达90%的扩展效率，适合大规模深度学习应用，同时兼容NCCL和Gloo等高效的集合通信库，确保在各种环境下的高效运行。

dc_tts，一个基于TensorFlow的文本到语音转换模型，使用深度卷积网络和引导注意力机制进行设计。项目不仅还原了相关学术论文，还对不同声音数据进行了深入研究，支持多种语言和数据集，提供完善的训练及预处理教程以及预训练模型，适用于学术研究和实际应用场景。

FaceNet，一个基于TensorFlow的开源面部识别项目，采用最新的深度学习技术和数据集（如CASIA-WebFace和VGGFace2）开发。其准确率可达99.65%，并使用MTCNN进行高效的面部对齐。适合需求高级面部识别技术的开发者和科研人员。

此资源库涵盖机器学习和深度学习的全面资源，包括优质课程、电子书和学术论文。通过Coursera、Stanford和Google等知名平台的课程，可深入学习基础和高级的机器学习、深度学习、自然语言处理和强化学习。同时，还提供《机器学习》和《深度学习》等电子书，便于自学和参考。适合想要提高机器学习技术水平的学生、研究人员和行业从业者。

DeLFT是一个Keras和TensorFlow框架，专为序列标注（如命名实体识别、信息提取）和文本分类（如评论分类）优化。它重新实现了许多前沿深度学习模型，支持处理富文本格式和多种现代NLP架构，旨在提供高效、可靠且可集成的生产级应用。该框架包括各种分类器和评估标准，并支持多GPU训练和推理。

这些教程为深度学习和TensorFlow 2 的新手提供全面指导，涵盖简单线性模型、自然语言处理和图像生成等主题。每个教程附有详细代码示例和相应的YouTube视频讲解，帮助学习者快速掌握。适合希望深入了解TensorFlow及其应用的开发者和研究人员。

Frigate是一款为Home Assistant设计的本地NVR，利用OpenCV和TensorFlow实现实时对象检测。支持Google Coral加速器，大幅提升性能。通过自定义组件紧密集成Home Assistant，优化资源使用和性能。采用低开销运动检测与独立进程的对象检测，支持MQTT通讯，基于对象检测的视频记录，24/7录像及RTSP重传，提供低延迟实时视图。

了解TensorFlow文档的来源及其相关指南和教程。参与文档贡献需参考贡献和风格指南，并通过问题跟踪器提交问题。社区翻译项目由社区贡献、审核和维护，提供多语言支持。

本教程详细介绍了TensorFlow 2.0的安装与基础操作，并包含线性回归、MNIST、CIFAR10等多个实战案例。通过配套的视频资源，帮助数据科学家和AI研究人员掌握TensorFlow 2.0在深度学习中的实际应用。

本项目提供全面的工程指南，指导在实际应用中部署生产级深度学习系统。涵盖数据管理、开发、训练、评估、测试和部署等关键模块，并推荐最佳实践和工具。内容借鉴Full Stack Deep Learning Bootcamp、TFX Workshop和Pipeline.ai的高级KubeFlow Meetup，确保用户应对从模型训练到生产部署的各种挑战。

了解如何使用TensorFlow和Sonnet在MNIST和CIFAR10等数据集上进行模型训练和评估。本文详细说明了命令行参数，涵盖了训练和评估的步骤，并介绍了从简单二次函数到复杂卷积神经网络的不同问题解决方案。掌握这些方法，可以实现自定义优化器并提高模型性能。

SQLFlow 是一款编译器，它将SQL程序编译成在Kubernetes上运行的工作流，支持包括机器学习训练、预测、模型评估等在内的AI作业。此平台支持MySQL、TiDB、Hive等多种数据库系统，以及TensorFlow、Keras、XGBoost等机器学习工具包。SQLFlow 致力于通过SQL增强机器学习模型开发，让拥有SQL技能的工程师也能轻松开发高级机器学习应用。

项目包含多个IPython笔记本，详解Python及其数据科学库例如TensorFlow、Scikit-learn与NumPy的使用，覆盖数据处理、统计分析到机器学习等多个应用场景。

基于TensorFlow的Tacotron模型，是一个全面的端对端文本转语音合成系统。该模型涵盖多种数据集，运用现代深度学习与注意力机制优化文本到语音的高质量转换，适用于学术研究与商业应用。

本项目通过展示如何使用TensorFlow和Keras解决多种问题，教授深度学习的基本技能及其应用。课程内容包括关键视频教程、实践练习和项目实战，确保学习者能通过动手操作全面理解深度学习。适合任何级别的学者，帮助你提升个人和职业技能。

该项目提供了涵盖机器学习、深度学习和人工智能的最新教程，强调在GPU编程、数据中心人工智能以及与Web3相关的可持续人工智能等领域的最新动向。集成了PyTorch、TensorFlow等工具和库的实战案例，助力用户精通深度学习技术，同时展示技术在交通、医疗等领域的应用前景。

HanLP是一款面向生产环境的多语种自然语言处理工具，基于PyTorch和TensorFlow双引擎。支持130种语言和多种NLP任务，包括分词、词性标注、命名实体识别和依存句法分析等。HanLP的预训练模型持续更新，并提供RESTful API和native API，适用于敏捷开发和移动应用。

该项目通过Python教授机器学习基本原理，包含《Hands-on Machine Learning with Scikit-Learn and TensorFlow》书中的示例代码和习题解答。用户可以使用Colab、Binder和Deepnote在线体验这些notebooks，或通过Anaconda在本地安装项目进行学习。详细介绍了安装步骤和常见问题解决方法，帮助用户理解和应用机器学习技术。

DeepSpeech是一个开源语音转文字引擎，基于百度的Deep Speech研究，并利用Google TensorFlow实现。提供详细的安装、使用和训练模型文档。最新版本及预训练模型可在GitHub获取，支持和贡献指南请参阅相应文件。

本项目利用TensorFlow技术，快速将照片和视频转换为多种名画风格。通过深度学习算法实现毫秒级风格迁移，并提供详细文档和示例，适用于研究和开发。项目采用实例归一化和感知损失优化，确保转换效果精美且实时。

Edward 是一个用于概率建模、推断和模型评估的Python库。它融合了贝叶斯统计、机器学习、深度学习和概率编程，支持多种模型，如有向图模型、神经网络、隐式生成模型和贝叶斯非参数。Edward 提供变分推断、蒙特卡罗方法、生成对抗网络等多种推断方法，并支持模型和推断的评估。构建于TensorFlow之上，支持计算图、分布式训练、CPU/GPU集成和自动微分。

BossSensor项目利用摄像头和图像分类技术，在检测到老板接近时自动隐藏屏幕内容。该系统需要Python 3.5、OSX和Anaconda环境，并且需要提供大量老板及其他人物的图像进行训练。用户只需进行图像训练和启动程序，即可实现实时监控和屏幕保护。安装步骤包括安装OpenCV、PyQt4及TensorFlow。项目由Hironsan开发，采用MIT许可协议。

Graph Nets是由DeepMind开发的图神经网络库，兼容TensorFlow和Sonnet。支持Linux和Mac OS X，以及Python 2.7和3.4+。该库适用于CPU和GPU版本的TensorFlow，但需要单独安装TensorFlow。Graph Nets提供了详细的安装指南、使用示例和多个演示，包括最短路径、排序和物理预测任务。用户可以通过Colaboratory在浏览器中运行这些演示，体验图神经网络的灵活性和强大功能。

Thinc是一款轻量级深度学习库，提供简洁的函数式编程API，支持与PyTorch、TensorFlow、MXNet等框架的集成。用户可以通过Thinc构建、配置和部署自定义模型。Thinc支持类型检查、简洁的函数式模型定义、可扩展的后台系统，并兼容Python 3.6+，适用于Linux、macOS和Windows操作系统。

本指南详细介绍了如何使用Sklearn和TensorFlow进行机器学习，包括在线阅读、Docker镜像、PYPI包和NPM包的多种下载方式，并提供了完整的编译和安装步骤。通过该指南，读者能够学习和掌握数据分析及机器学习的实用技能。

TensorFlow是一个开源的机器学习平台，拥有完整的工具和资源生态系统。它由Google Brain团队开发，提供Python和C++的API支持，适应多种研究和应用需求。用户可以参照官方文档进行安装，包括使用pip、Docker以及从源码构建等方法。TensorFlow定期更新以提升性能和安全性。

TensorFlow-Course提供从TensorFlow基础到高级应用的全面教程，配套清晰的源代码和文档，适合初学者和开发者快速掌握。支持最新的TensorFlow 2.3版本，确保您使用的是最前沿技术。

TopDeepLearning收录了包括但不限于多种技术栈的GitHub深度学习项目。这些开源项目支持广泛的应用场景如计算机视觉和自然语言处理，且提供最新研究成果和代码，是开发者和研究者的理想学习资源。

KerasNLP 是一个兼容 TensorFlow、JAX 和 PyTorch 的自然语言处理库，提供预训练模型和低级模块。基于 Keras 3，支持 GPU 和 TPU 的微调，并可跨框架训练和序列化。设置 KERAS_BACKEND 环境变量即可切换框架，安装方便，立即体验强大 NLP 功能。

项目基于u-net、cv2和卷积神经网络(cnn)，使用tensorflow和keras实现。功能包括中文车牌的定位、矫正和识别。通过u-net进行图像分割，cv2进行边缘检测和车牌区域矫正，再用cnn实现多标签端到端识别。测试表明，系统在拍摄角度倾斜、强曝光和昏暗环境下表现出色，甚至对某些百度AI未能识别的车牌也能识别。请确保输入图片尺寸小于240x80，以获得最佳识别效果。详情请参阅CSDN博客。

Keras 3 提供高效的模型开发，支持计算机视觉、自然语言处理等任务。选择最快的后端（如JAX），性能提升高达350%。无缝扩展，从本地到大规模集群，适合企业和初创团队。安装简单，支持GPU，兼容tf.keras代码，避免框架锁定。

TFLearn是一个模块化且透明的深度学习库，基于TensorFlow构建，提供高阶API以加速实验。特点包括易用的高阶API、快速原型设计、完全透明的TensorFlow集成、强大的训练辅助功能和精美的图形可视化。支持最新的深度学习模型，兼容TensorFlow v2.0及以上版本。

本项目提供全面易懂的TensorFlow教程，每个教程均附源代码和详细文档，帮助开发者和研究者快速高效地掌握TensorFlow。内容涵盖基础操作、机器学习、神经网络等多个领域，并提供虚拟环境安装指南，避免包冲突并支持环境定制。

本书帮助读者在20天内系统性地掌握Pytorch，从基础到进阶，涵盖核心概念与实际应用。内容基于Pytorch官方文档，优化了结构和范例，提升了用户友好度。适合有一定基础的学习者，提供每日学习计划和实用代码，并附有资源获取方式。欢迎对Pytorch感兴趣的读者前来学习和讨论，获取全面的深度学习指南。

《Python Machine Learning》第三版全面覆盖了数据预处理、分类、回归、深度学习和强化学习等机器学习领域的核心概念。书中提供了Scikit-Learn和TensorFlow的代码示例，帮助读者掌握模型评估、超参数优化和集成学习等技术。本书适合初学者和进阶用户，通过代码仓库可以获得丰富的实践经验。出版信息：Packt Publishing, 2019年12月12日，ISBN-13: 978-1789955750。

SSD是一种高效的目标检测框架，利用单一网络结构实现物体识别。该项目提供了TensorFlow的重实现版本，支持VGG架构并且易于扩展到其他变种，如ResNet和Inception。项目包括数据集接口、网络定义和数据预处理模块，用户可以通过提供的脚本进行模型训练和评估，支持Pascal VOC数据集。代码和示例帮助用户快速上手并应用于实际检测任务。

Google AI Gemma 网站展示了一系列高性能AI开放模型，旨在提供针对复杂数据、编程和科学计算的优化解决方案。Gemma系列模型，包括Gemma 1和Gemma 2，以不同的模型大小提供卓越性能，具备前沿的技术和可靠的设计，确保AI使用的安全性和责任感。

该项目展示了一系列交互式机器学习实验，包括Jupyter笔记本来演示模型训练过程，以及在线演示页面来展示模型运行效果。涵盖多层感知机至卷积神经网络等多种技术，适合探索和学习各类机器学习方法。

Tacotron是基于TensorFlow的开源语音合成系统，能够直接将文本转换为语音。本项目独立实现了Google的论文'Tacotron: Towards End-to-End Speech Synthesis'，虽然当前性能未及Google的演示，但已具备一定参考价值。支持包括LJ Speech和Blizzard 2012在内的多种语音数据集，并允许通过命令行调整和优化参数。项目还提供了预训练模型的下载与部署指南，便于用户快速开始使用及测试。

项目详细介绍了如何将PyTorch、TensorFlow、Keras和MXNet等深度学习模型部署至生产环境，包括模型转换、API集成、服务器运作及跨框架策略。这一资源库提供实际细节和案例，帮助开发者全面了解部署流程，并通过Flask、C++、Go等多种技术实现模型应用。

Neural Network Compression Framework (NNCF) 提供一套后训练和训练时的优化算法，用于在 OpenVINO 中优化神经网络推理，保证最小的精度损失。NNCF 支持 PyTorch、TensorFlow 和 ONNX 等模型，并提供示例展示不同压缩算法的使用案例。NNCF 还支持自动化模型图转换、分布式训练和多种算法的无缝组合，支持将压缩后的 PyTorch 模型导出为 ONNX 检查点及将 TensorFlow 模型导出为 SavedModel 格式。

该项目展示了如何使用TensorFlow在Android平台上为MNIST数据集创建手写数字识别模型。用户无需自行构建库，可以直接通过Maven获取所需资源。项目提供了详细的模型训练步骤、资源链接及贡献指南，适合对机器学习和Android开发有兴趣的用户。