基于keras的深度学习,采用tensorflow作为后台框架,使用InceptionResNetV2作为预训练模型。
CapsNet-Keras 本文中的 (分支支持TensorFlow 2)实现: 当前的average test error = 0.34% , best test error = 0.30% 。 与
keras-sincnet:“从具有SincNet的原始波形中的扬声器识别”中对SincNet进行Keras实现
Keras推荐系统的实现 该库包含Keras的修改版本(主要在layers / core.py中),用于实现各种推荐系统,包括深度结构化语义模型(DSSM),多视图DSSM(MV-DSSM),时态DS
使用Keras的编程技巧 Keras-Tips-Tricks-and-Techniques-master.zip
segmentation_keras, 在Keras的图像分割中,DilatedNet 基于的语义分割的实现 of一种基于多尺度上下文聚集的语义分割的本机Keras实现方法,即扩展卷积。 可以选择使用
nmt-keras, 带 Keras ( theano/tensorflow )的神经机器翻译 nmt-keras 基于 Keras ( Theano和 Tensorflow )的神经机器。库文档:n
注意中的Transformer模型是您所需要的:Keras实现。 变压器的Keras + TensorFlow实现:“”(Ashish Vaswani,Noam Shazeer,Niki Parmar
U-Net最初是用来对医学图像的语义分割,后来也有人将其应用于其他领域。但大多还是用来进行二分类,即将原始图像分成两个灰度级或者色度,依次找到图像中感兴趣的目标部分。本文主要利用U-Net网络结构实现
主要介绍了使用Keras实现简单线性回归模型操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
