Tensorflow 2 Keras的深度强化学习 注意：需要tensorflow == 2.1.0 它是什么？ keras-rl2在Python中实现了一些最先进的深度强化学习算法，并与深度学习库无缝集成。 此外， keras-rl2可以与一起使用。 这意味着评估和使用不同算法很容易。 当然，您可以根据自己的需要扩展keras-rl2 。 您可以使用内置的Keras回调和指标或定义自己的指标。 更重要的是，只需扩展一些简单的抽象类，即可轻松实现自己的环境甚至算法。 文档可。 包含什么？ 截止到今天，已经实现了以下算法： 深度Q学习（DQN） [1] ， [2] Double DQN [3] 深度确定性策略梯度（DDPG） [4] 连续DQN（CDQN或NAF） [6] 交叉熵方法（CEM） [7] ， [8] 决斗网络DQN（Dueling DQN） [9] 深层S

项目涉及大量的跟踪和错误方法、调谐等。该模型经过良好的训练，能够区分男性和女性的声音，并且具有100%的准确度。该模型经过调整，能够以70%以上的准确率检测情绪。通过包含更多用于培训的音频文件，可以提高准确性。 项目详细说明见文档。 Datasets: Made use of two different datasets: RAVDESS. This dataset includes around 1500 audio file input from 24 different actors. 12 male and 12 female where these actors record short audios in 8 different emotions i.e 1 = neutral, 2 = calm, 3 = happy, 4 = sad, 5 = angry, 6 = fearful, 7 = disgust, 8 = surprised. Each audio file is named in such a w

Face-Mask-Detection:在真实视频流上使用Python，Keras，OpenCV检测面罩

本下载提供VGG16-tensorflow/keras完整版，不是notop版！CSDN要求每下载链不超过200M，因此我打了3个子包，下载后请自行解压还原，提供CSDN给盆友们快速下载，花了些时间收集，收点成本费就是了^_^ 强烈鄙视坐地起价开50下载分而且还是notop版！需要notop版的请在我的下载专区查看。

本下载提供VGG16-tensorflow/keras完整版，不是notop版！CSDN要求每下载链不超过200M，因此我打了3个子包，下载后请自行解压还原，提供CSDN给盆友们快速下载，花了些时间收集，收点成本费就是了^_^ 强烈鄙视坐地起价开50下载分而且还是notop版！需要notop版的请在我的下载专区查看。

本下载提供VGG16-tensorflow/keras完整版，不是notop版！CSDN要求每下载链不超过200M，因此我打了3个子包，下载后请自行解压还原，提供CSDN给盆友们快速下载，花了些时间收集，收点成本费就是了^_^ 强烈鄙视坐地起价开50下载分而且还是notop版！需要notop版的请在我的下载专区查看。

1、内容概要：本资源主要基于bert（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：bert_model.py是基于keras-bert构建Bert模型对文本进行分类。

学习深度神经网络的Keras：利用Python进行现代深度学习的快速方法 Jojo John Moolayil

CNN-On-The-Cloud- 用于为Fashion MNIST数据集构建图像分类器的代码。 使用Keras库构建并在FloydHub云平台上接受培训。 您可以在签出相应的“中型”文章 您可以通过单击下面的按钮快速获得此代码并在云上运行。

用keras搭好模型架构之后的下一步，就是执行编译操作。在编译时，经常需要指定三个参数 loss optimizer metrics 这三个参数有两类选择： 使用字符串 使用标识符，如keras.losses，keras.optimizers，metrics包下面的函数 例如： sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy']) 因为有时可以使用字符串