inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5 这是VGG16网络在imagenet数据集上的预训练权重文件，不带连接层。仅仅需要5积分，自行下载提取哦。

使用FCN进行图像分割 使用Keras框架和Python3，我实现了一个包括其编码器和解码器的全卷积网络“ FCN”，以对室内场景图像（如卧室，客厅和饭厅）进行分割，以最终令人满意的精度，损失和平均交集超过了MIoU ”。 结果

主要介绍了keras分类之二分类实例(Cat and dog)，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

超分辨率matlab代码SRCNN-Keras 在python和matlab中使用'bicubic'作为选项的resize函数是不同的，并且最近发表的论文通常使用matlab来生成低分辨率图像 通过以Theano为后端的Keras实现SRCNN。 为了与已发表的作品进行合理的比较，Matlab的imresize函数生成了低分辨率的图像。 使用预先训练的模型 在“测试”文件夹中运行SRCNN_test.m（训练集为Yang91）放大系数= 3 训练 注意：更多数据和更好的结果 使用Matlab生成培训补丁 使用Keras和Theano作为后端来训练SRCNN模型 将Keras模型转换为.Mat以使用Matconvnet进行测试 如何训练您的模型？ 生成训练补丁 运行SRCNN.py以产生SRCNN模型 首先运行load_save.py，然后运行save_model.m以生成Matconvnet模型 与原始实施的差异 使用Adam优化网络以实现快速收敛 依存关系 ，，。 如果该代码对您有帮助，请引用此文章：“使用深度卷积网络的图像超分辨率”。 笔记 此代码基于Keras-1。

使用深度学习的多手写数字识别（TensorFlow-Keras） 要求 TensorFlow（Keras） 的Python 3.5 + Numpy（+ MKL适用于Windows） PIL（枕头） Opencv的 tkinter（python GUI） 关于项目 使用CNN（卷积神经网络）在MNIST数据集上训练模型 将模型另存为'mnist.h5'（train_digit_recognizer.py） 使用tkinter GUI制作画布并在其上写数字 使用PIL在画布上获取“手写数字”的副本，并以“ img_ {image_number} .png”的形式保存到“ / img”中 同样在OpenCV帮助下，通过识别轮廓，它可以处理多个数字 使用保存的模型'mnist.h5'从画布预测保存的手写数字图像 屏幕截图 绘图画布... 输出图像... 使用PIL-ImageGrab

使用CNN进行面部表情识别：使用CNN和Keras和Tensorflow创建的面部表情识别模型

猫和狗 当我们的数据集不足时，最常用的方法之一是使用预先训练的模型。 在我们的案例中，我们将考虑在ImageNet数据集上训练的大型卷积网络（140万个带标签的图像和1000个不同的类）。 ImageNet包含许多动物类别，包括不同种类的猫和狗，因此我们可以期望在猫与狗的分类问题上表现出色。 我们可以使用的一些主干： •Xception•InceptionV3•ResNet50•VGG16•VGG19•MobileNet 我将使用由Karen Simonyan和Andrew Zisserman在2014年开发的VGG16架构，该架构是ImageNet的一种简单且广泛使用的convnet架构。 VGG16： from keras.applications import VGG16 conv_base=VGG16(weights=('imagenet'),

利用keras搭建学习模型，学习人脸表情数据库，在视频流上利用OpenCV人脸识别模型采集人脸，并根据人脸表情进行分类，代码含有数据集，软件利用Python开发

1、内容概要：本资源主要基于TextCNN（keras）实现文本分类，适用于初学者学习文本分类使用。 2、数据集为电商真实商品评论数据，主要包括训练集data_train，测试集data_test ，经过预处理的训练集clean_data_train和中文停用词表stopwords.txt，可用于模型训练和测试，详细数据集介绍见商品评论情感数据说明文档。 3、源代码：word2vec_analysis.py 是基于Word2Vec进行词向量的生成，采用向量平均求得句向量，然后分别构建RandomForest和GBDT分类模型进行文本分类。 4、源代码：textcnn_model.py是基于Keras构建CNN、TextCNN卷积神经网络模型对文本进行分类。

Train the DenseNet-40-10 on Cifar-10 dataset with data augmentation. 做了数据及增强等操作 并且是一个完整的工程文件 包括cifar的预测训练等功能，自主训练即可，代码易懂