Keras的模型是用hdf5存储的，如果想要查看模型，keras提供了get_weights的函数可以查看：
for layer in model.layers: weights = layer.get_weights() # list of numpy array
而通过hdf5模块也可以读取：hdf5的数据结构主要是File – Group – Dataset三级，具体操作API可以看官方文档。weights的tensor保存在Dataset的value中，而每一集都会有attrs保存各网络层的属性：
import h5py
def print_keras_wegiths(weigh
2022-03-27 15:36:28
47KB
1
基于keras的口罩识别，其中包括了模型文件，直接python3 yolo_video.py --image就可以监测你的图片
2022-03-26 18:54:17
662.2MB
1
凯拉斯（Keras）RMAC
基于（Tolias等人2016）和（Gordo等人2016），为Keras重新实现了区域最大卷积激活（RMAC）特征提取器。 该模型的架构如下图所示：
RoiPooling代码来自： :
先决条件
此代码需要Keras 2.0或更高版本。
（2.7）
（2.1.2）
（0.9.0）
->下载文件并将其保存在data/文件夹中
参考
Tolias，G.，Sicre，R.和Jégou，H.具有CNN激活的积分最大池的特殊对象检索。 ICLR 2016。
Gordo，A.，Almazán，J.，Revaud，J.和＆Larlus，D。深度图像检索：学习图像搜索的全局表示。 ECCV 2016。
引文
该代码是Keras的RMAC的重新实现。
如果使用此代码，请引用使用重新实现的论文和原始RMAC论文：
@article{garcia2018a
2022-03-26 15:46:27
2.3MB
1
我就废话不多说了，大家还是直接看代码吧！
import keras
from keras.layers import Input,Dense,Conv2D
from keras.layers import MaxPooling2D,Flatten,Convolution2D
from keras.models import Model
import os
import numpy as np
from PIL import Image
from keras.optimizers import SGD
from scipy import misc
root_path = os.getcwd()
2022-03-26 11:28:22
106KB
1
今天使用了Keras 的ImageDataGenerator类，发现真是小白的神器。我们在进行机器学习的时候，常常为自己找不到相关的数据集而自己搭建一个数据集。那么，相关的问题就是数据样本不够大，之后的机器学习就很有能造成过拟合问题，神经网络找不到抽象的特征等。究根结底还是样本数量不够。那我又不可能拿着相机一个一个去拍啊…….
总之就想要更多的数据集呗。
有关于ImageDataGenerator的相关信息，这篇博客已经写得非常好了–>keras的图像预处理全攻略（二）—— ImageDataGenerator 类, 有关于ImageDataGenerator类的用法什么的可以查它
下面是全
2022-03-25 20:04:38
317KB
1
from keras.utils.np_utils import to_categorical
注意：当使用categorical_crossentropy损失函数时，你的标签应为多类模式，例如如果你有10个类别，每一个样本的标签应该是一个10维的向量，该向量在对应有值的索引位置为1其余为0。
可以使用这个方法进行转换：
from keras.utils.np_utils import to_categorical
categorical_labels = to_categorical(int_labels, num_classes=None)
以mnist数据集为例：
from ke
2022-03-24 23:09:30
69KB
1
基于python keras口罩检测人脸检测佩戴口罩可读视频可读摄像头实时视频流源码效果视频：https://www.bilibili.com/video/BV1CK4y1P7Tx?from=search&seid=1591834094828011630&spm_id_from=333.337.0.0
2022-03-24 10:57:28
10.94MB
首先辨析一下概念：
1. loss是整体网络进行优化的目标， 是需要参与到优化运算，更新权值W的过程的
2. metric只是作为评价网络表现的一种“指标”， 比如accuracy，是为了直观地了解算法的效果，充当view的作用，并不参与到优化过程
在keras中实现自定义loss， 可以有两种方式，一种自定义 loss function,
例如：
# 方式一
def vae_loss(x, x_decoded_mean):
xent_loss = objectives.binary_crossentropy(x, x_decoded_mean)
kl_loss = - 0.5 * K.
2022-03-24 10:50:28
111KB
1
击键动力学的生物特征预测
该项目着眼于具有击键动力学的生物特征识别器。 除了输入密码来验证用户外，还可以通过他们的输入节奏来区分用户。 此功能可用于检测冒名顶替者。 该项目基于出版物Killinghy，KS和Maxion，RA的数据集，该数据集 在过程中。 的Conf。 关于可靠的系统和网络（DSN）（第125-134页） 。 目的是使用库在神经网络上建立分类基础。
包含51个主题，每个主题键入密码.tie5Roanl 400次。 收集的量度是保持时间（H），按键按下时间（DD）和按键按下时间（UD）。
执照
该项目已获得MIT许可。 有关详细信息，请参阅
2022-03-23 15:18:36
15.06MB
1