学习python的各种基础实例

【实例简介】

【实例简介】

python强化学习（基于matplotlib）

Python版本的学生管理系统 管理端账号：000密码：000学生端账号：该生学号密码：1111111、密码均为初始密码，可以随后在系统中自行修改。2、所有操作完成之后必须点退出系统，否则无法保存文件。3、未分配学号的学生无法登陆系统，需先由管理端分配学号之后再登陆系统

井字棋

手势识别，从获取样本到训练测试都有代码 需要keras，opencv，tensorflow等库

《TensorFlow实战(黄文坚)》目录： 1 TensorFlow基础 11.1 TensorFlow概要 11.2 TensorFlow编程模型简介 42 TensorFlow和其他深度学习框架的对比 182.1 主流深度学习框架对比 182.2 各深度学习框架简介 203 TensorFlow第一步 393.1 TensorFlow的编译及安装 393.2 TensorFlow实现SoftmaxRegression识别手写数字 464 TensorFlow实现自编码器及多层感知机 554.1 自编码器简介 554.2 TensorFlow实现自编码器 594.3 多层感知机简介 664.4 TensorFlow实现多层感知机 705 TensorFlow实现卷积神经网络 745.1 卷积神经网络简介 745.2 TensorFlow实现简单的卷积网络 805.3 TensorFlow实现进阶的卷积网络 836 TensorFlow实现经典卷积神经网络 956.1 TensorFlow实现AlexNet 976.2 TensorFlow实现VGGNet 1086.3 TensorFlow实现GoogleInceptionNet 1196.4 TensorFlow实现ResNet 1436.5 卷积神经网络发展趋势 1567 TensorFlow实现循环神经网络及Word2Vec 1597.1 TensorFlow实现Word2Vec 1597.2 TensorFlow实现基于LSTM的语言模型 1737.3 TensorFlow实现BidirectionalLSTMClassifier 1888 TensorFlow实现深度强化学习 1958.1 深度强化学习简介 1958.2 TensorFlow实现策略网络 2018.3 TensorFlow实现估值网络 2139 TensorBoard、多GPU并行及分布式并行 2339.1 TensorBoard 2339.2 多GPU并行 2439.3 分布式并行 24910 TF.Learn从入门到精通 25910.1 分布式Estimator 25910.2 深度学习Estimator 26710.3 机器学习Estimator 27210.4 DataFrame 27810.5 监督器Monitors 27911 TF.Contrib的其他组件 28311.1 统计分布 28311.2 Layer模块 28511.3 性能分析器tfprof 293参考文献 297

python的软件

玛丽冒险(项目源码下载)-Python项目开发案例集锦04.zip

LSTM入门学习，正弦波序列预测         for i, input_t in enumerate(input.chunk(input.size(1), dim=1)):             h_t, c_t = self.lstm1(input_t, (h_t, c_t))             h_t2, c_t2 = self.lstm2(h_t, (h_t2, c_t2))             output = self.linear(h_t2)  # output.shape:[batch,1]             outputs = [output]  # outputs.shape:[[batch,1],...[batch,1]], list composed of n [batch,1],         for i in range(future):  # if we should predict the future             h_t, c_t = self.lstm1(output, (h_t, c_t))             h_t2, c_t2 = self.lstm2(h_t, (h_t2, c_t2))             output = self.linear(h_t2)  # output.shape:[batch,1]             outputs = [output]  # outputs.shape:[[batch,1],...[batch,1]], list composed of n [batch,1],         outputs = torch.stack(outputs, 1).squeeze(2)  # shape after stack:[batch, n, 1], shape after squeeze: [batch,n]         return outputs