本项目是PaddlePaddle 2.0动态图实现的CRNN文字识别模型，可支持长短不一的图片输入。CRNN是一种端到端的识别模式，不需要通过分割图片即可完成图片中全部的文字识别。CRNN的结构主要是CNN+RNN+CTC，它们分别的作用是，使用深度CNN，对输入图像提取特征，得到特征图。使用双向RNN（BLSTM）对特征序列进行预测，对序列中的每个特征向量进行学习，并输出预测标签（真实值）分布。使用 CTC Loss，把从循环层获取的一系列标签分布转换成最终的标签序列。
年龄性别识别，基于insightface功能模块开发的，支持多张人脸同时检测和识别。
这个模型类型CRNN，前面使用卷积层提前图像特征，后面用一个GRU，他是LSTM的变种，最后的全连接层，输出的大小为词汇表+1，因为还有一个空格字符，这个是CTC需要的。
查看大佬Github上全部项目的Star数量，需要手动修改 user参数，该参数为用户的Github ID
本项目是基于PaddlePaddle的DeepSpeech 项目开发的，做了较大的修改，方便训练中文自定义数据集，同时也方便测试和使用。DeepSpeech2是基于PaddlePaddle实现的端到端自动语音识别（ASR）引擎，其论文为《Baidu’s Deep Speech 2 paper》 ，本项目同时还支持各种数据增强方法，以适应不同的使用场景。
MTCNN，Multi-task convolutional neural network（多任务卷积神经网络），将人脸区域检测与人脸关键点检测放在了一起，总体可分为P-Net、R-Net、和O-Net三层网络结构。它是2016年中国科学院深圳研究院提出的用于人脸检测任务的多任务神经网络模型，该模型主要采用了三个级联的网络，采用候选框加分类器的思想，进行快速高效的人脸检测。这三个级联的网络分别是快速生成候选窗口的P-Net、进行高精度候选窗口过滤选择的R-Net和生成最终边界框与人脸关键点的O-Net。和很多处理图像问题的卷积神经网络模型，该模型也用到了图像金字塔、边框回归、非最大值抑制等技术。
在数据预处理方便，本项目主要是将音频执行梅尔频率倒谱系数(MFCCs)处理，然后在使用出来的数据进行训练，在读取音频时，使用 librosa.load(wav_path, sr=16000)函数读取音频文件，再使用 librosa.feature.mfcc()执行数据处理。MFCC全称梅尔频率倒谱系数。梅尔频率是基于人耳听觉特性提出来的， 它与Hz频率成非线性对应关系。梅尔频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征，主要计算方式分别是预加重，分帧，加窗，快速傅里叶变换(FFT)，梅尔滤波器组，离散余弦变换(DCT)，最后提取语音数据特征和降低运算维度。本项目使用的全部音频的采样率都是16000Hz，如果其他采样率的音频都需要转为16000Hz，create_manifest.py程序也提供了把音频转为16000Hz。
在Android中使用Netty-Socket互相发送图片和文字，
首先是服务端，服务端的应用在server下，其中最重要的是 NettyServerUtil.java，这里包含了服务的启动和发送数据，这数据包括文字和图像。
这段代码是启动Netty服务的，其中非常重要的是 ch.pipeline().addLast(new ByteArrayEncoder());和 ch.pipeline().addLast(new ByteArrayDecoder());，因为我们要传输的都是基于byte[] 的，同时还要 LineBasedFrameDecoder设置最大包的长度。
Android使用CameraX实现相机快速实现对焦和放大缩小，本教程介绍如何使用CameraX实现相机点击对焦和放大缩小，单击对焦指定位置，使用双指放大缩小图像。下面是页面代码，使用PreviewView预览相机图像，然后使用FocusImageView自定义View来显示对焦框。CameraXPreviewViewTouchListener.kt点监听事件，用于监听屏幕的点击监听动作。
CameraX是谷歌提供的相机框架，这个框架非常强大，可以实现很方便点击对焦，放大缩小，保存优质的图像等等。最重要的是 androidx.camera.view.PreviewView控件，这个可以实现预览图像，点击监听事件等操作都可以在这里完成。不过这里只介绍预览图像和拍照保存。startCamera()方法可以实现预览操作，代码都有注释。CameraX提供了 imageCapture.takePicture()接口用于保存图像。
CameraKit框架是一款极其简单的Android相机框架，代码量比使用原生的少很多。本章教程我们就来使用CameraKit搭建一个简单的相机，并实现点击保存图像。
java代码就简单很多了，其中要在Activity生命周期中也添加CameraKitView的什么周期。CameraKit也提供了动态权限申请接口，使用 cameraKitView.onRequestPermissionsResult()接口实现动态权限申请，这样就完成了相机预览功能。拍照保存也很简单，使用 cameraKitView.captureImage()就可以保存图像到本地了。这也太简单了。
天授 是一个基于PyTorch的深度强化学习平台。
CartPole-v0是一个很简单的离散动作空间场景，DQN也是为了解决这种任务。在使用不同种类的强化学习算法前，您需要了解每个算法是否能够应用在离散动作空间场景 / 连续动作空间场景中，比如像DDPG [LHP+16] 就只能用在连续动作空间任务中，其他基于策略梯度的算法可以用在任意这两个场景中。
夜雨飘零
给我丶鼓励
Erioifpud
Doi资源中心
conda create -n 【环境名称】 --clone 【被克隆环境路径】
如下：
conda create -n Pytorch --clone ./envs/Pytorch
一行代码实现人脸检测，人脸关键点检测和戴口罩检测。
本项目是使用Paddle Lite 的C++实现的人脸检测，人脸关键点检测和戴口罩检测，并将编译好的动态库和静态库部署在Android应用上，在Android设备上实现人脸检测，人脸关键点检测和戴口罩检测，所以本应不会使用到C++开发，可以只使用笔者提供的JNI接口实现这些功能。在 ai这个module是笔者在开发时使用到的，读者在使用这个项目时，完全可以删除掉，如果是看C++实现，也可以看这个module的源码。
TNN：由腾讯优图实验室打造，移动端高性能、轻量级推理框架，同时拥有跨平台、高性能、模型压缩、代码裁剪等众多突出优势。TNN框架在原有Rapidnet、ncnn框架的基础上进一步加强了移动端设备的支持以及性能优化，同时也借鉴了业界主流开源框架高性能和良好拓展性的优点。
MNN是一个轻量级的深度神经网络推理引擎，在端侧加载深度神经网络模型进行推理预测。目前，MNN已经在阿里巴巴的手机淘宝、手机天猫、优酷等20多个App中使用，覆盖直播、短视频、搜索推荐、商品图像搜索、互动营销、权益发放、安全风控等场景。此外，IoT等场景下也有若干应用。
下面就介绍如何使用MNN在Android设备上实现图像分类。
PP-YOLO是PaddleDetection优化和改进的YOLOv3的模型，其精度(COCO数据集mAP)和推理速度均优于YOLOv4模型，PP-YOLO在COCO test-dev2017数据集上精度达到45.9%，在单卡V100上FP32推理速度为72.9 FPS, V100上开启TensorRT下FP16推理速度为155.6 FPS。
然后开始编写人脸识别和人脸注册工具类，使用 insightface.app.FaceAnalysis()可以获取模型对象，这里包含了三个模型，首先是人脸检测模型，然后是人脸特征提取模型，和最后的性别年龄识别模型。使用 model.prepare()可以配置 ctx_id指定使用哪一块GPU，如果是负数则是使用CPU执行预测，nms配置的是人脸检测的阈值。load_faces()函数是加载人脸库中的人脸，用于之后的人脸识别对比。
本教程是通过PaddlePaddle的PaddleSeg实现的，该开源库的地址为：http://github.com/PaddlPaddle/PaddleSeg ，使用开源库提供的预训练模型实现人物的图像语义分割，最终部署到Android应用上。关于如何在Android应用上使用PaddlePaddle模型，可以参考笔者的这篇文章《基于Paddle Lite在Android手机上实现图像分类》。
本教程开源代码地址：https://github.com/yeyupiaoling/ChangeHumanBackground
本项目是基于VGG-Speaker-Recognition开发的，本项目主要是用于声纹识别，也有人称为说话人识别。本项目包括了自定义数据集的训练，声纹对比，和声纹识别。