文件：python代码 内容：基于 anaconda+keras 框架，在 jupter notebook 中 构建多层感知器，识别MNIST数据集中的手写数字。 亲测可用，同学们可以放心下载。 MNIST数据集 (Mixed National Institute of Standards and Technology database) 是美国国家标准与技术研究院收集整理的大型**手写数字数据库**，包含 6万 个示例的训练集以及 1万 个示例的测试集。MNIST数字文字识别数据集数据量不太多，而且是单色的图像，比较简单，很适合深度学习的初学者用来练习建立模型、训练、预测。 经典的MNIST数据集包含了大量的手写数字。十几年来，来自机器学习、机器视觉、人工智能、深度学习领域的研究员们把这个数据集作为衡量算法的基准之一。你会在很多的会议，期刊的论文中发现这个数据集的身影。实际上，MNIST数据集已经成为算法作者的必测的数据集之一。有人曾调侃道："如果一个算法在MNIST不work, 那么它就根本没法用；而如果它在MNIST上work, 它在其他数据上也可能不work！"

自编码器算法非常简单，实现方便，训练也较为稳定，相对于PCA算法，神经网络的强大表达能力可以学习输入的高层抽象的隐藏特征向量z,同时也能够基于z重建出输入。这里基于FashionMNIST数据集进行图片重建实战。 说明文档：https://blog.csdn.net/qq_43753724/article/details/125862444?spm=1001.2014.3001.5501

keras搭建简单CNN模型实现kaggle比赛数字识别-附件资源

机器学习实战：基于Scikit-Learn、Keras和TensorFlow 原书第2版 配套代码

CNN 可以很好地识别数据中的简单模式，然后将其用于在更高层中形成更复杂的模式。当您希望从整个数据集的较短（固定长度）片段中获取有趣的特征并且片段中特征的位置不具有高度相关性时，一维 CNN 非常有效。这非常适用于分析传感器数据（如陀螺仪或加速度计数据）的时间序列。 在此示例中，我们将训练一维卷积神经网络 (1D CNN)，以根据来自腰部的移动设备的一组给定加速度计数据来识别运动类型（步行、跑步、慢跑等）。

NTS-Net-Keras 该项目是用Keras编写的用于构建NTS-Net模型的工具。 原始论文： 获取 支持多GPU训练 只支持tensorflow作为后端 快速开始 请注意，当前只能在Linux和macOS中执行此项目。 您可能会在Windows中遇到一些问题。 Python版本：python2.7。 下载CUB_200_2011.tgz并解压缩tgz文件。 通过运行pip install -r requirements.txt安装依赖项。 编辑config.py以配置您的实验，您可能需要设置data_root ， num_gpu ， batch_size等。 运行python train.py训练新模型。 训练有素的模型权重 CUDA版本 需要CUDA 9.0 表现 测试仪的准确度为0.82，比原始实现降低了5％。欢迎使用PR来解决此问题。 致谢 原始实现 ，pytor

分享视频教程——Keras深度学习入门与实战视频教程，非常棒的一套keras教程，提供课程配套的源码和数据，完整版！！

超分辨率重建

简介 用keras实现ocr定位、识别，后端tensorflow. 环境 win10 titanx 识别 数据集链接: https://pan.baidu.com/s/1jJWfDmm 密码: vh8p (中英数300W+,语料不均衡) crnn：vgg + blstm + blstm + ctc densenet-ocr ：densent + ctc 网格结构 GPU 准确率 模型大小 crnn 60ms 0.972 densent+ctc 8ms 0.982 18.9MB

医学人工智能 第一周 第二周 第三周