MNIST 手写字符数据集 训练集为 60,000 张 28x28 像素灰度图像，测试集为 10,000 同规格图像，总共 10 类数字标签。 2 个元组： x_train, x_test: uint8 数组表示的灰度图像，尺寸为 (num_samples, 28, 28)。 y_train, y_test: uint8 数组表示的数字标签（范围在 0-9 之间的整数），尺寸为 (num_samples,)。

股票价格预测器：建立LSTM递归神经网络来预测股票市场价格

人工智能-Keras-项目实战，完整版12章，附源码等配套资料。 Keras项目实战课程从实战的角度出发，基于真实数据集与实际业务需求，从零开始讲解如何进行数据处理，模型训练与调优，最后进行测试与结果展示分析。全程实战操作，以最接地气的方式详解每一步流程与解决方案。课程结合当下深度学习热门领域，以计算机视觉与自然语言处理为核心讲解各大网络的应用于实战方法，适合快速入门与进阶提升。

多类花卉分类 使用Keras进行多类花卉图像分类 用法用于训练模型：python3 training_model-数据集training_set-模型trained_model-情节图用于预测图像：python3预报.py-数据集training_set-模型trained_model-图像test_set / rose1 该模型已使用Keras库进行了训练。 这里使用的神经网络的架构通常称为LeNet架构，其描述如下：INPUT => CONV => RELU => POOL => CONV => RELU => POOL => FC => RELU => FC 为了训练该模型，最优化的纪元数是25，而使用Adam Optimizer的批量大小是32，初始学习率是1e-3。 这里的预训练模型具有以下准确性/损失，这也显示在图中plot.png训练准确性-0.9057验证准确性-0

ultrasound-nerve-segmentation, Kaggle超声神经分割竞赛 [Keras ] 基于Keras的超声神经神经网络Kaggle超声神经分割竞赛 [Keras ]#Install ( {14,16}, GPU )需要 cuDNN 。###Theanohttp://deeplearning.net/softwar

门控CNN 这是Keras的“门控线性单元”的实现。 要求 Keras 2.1.2 Tensorflow 1.0.0 其他可以在requirements.txt中看到 用法 主类是GatedConvBlock在py/gated_cnn.py 。 由于门控线性单元（GLU）中存在残留连接，因此conv的填充必须same 。 让我们举个例子。 from gated_cnn import GatedConvBlock model = Sequential() model.add(Convolution2D(nb_filters, kernel_size, padding='valid', input_shape=input_shape)) model.add(Activation('relu

已经讲到，Keras在构建模型方面，尤其是串联结构的模型时，使用Sequential无疑是一种比较好的选择，但是随着深度学习的不断发展，面对多种多样的模型，尤其是像GoogleNet等带有Inception结构的模型，仅仅是并联的结构是无法满足实际的需要，这种并联的网络结构往往对应着多个输出，这种时候我们往往需要选择更加通用的Functional模型，因为其的广泛性与通用性，在很多开源项目上面使用的就是这种以Model为类名的函数式模型。 本篇将会以CIFAR-10数据集的一系列操作为时间线，来学习Functional模型。https://blog.csdn.net/qq_37972530/article/details/85873949

超参数优化

基于Keras的猫狗识别分类是计算机视觉领域中的图像分类问题，图像分类的过程十分的明确，Kaggle竞赛官网给出的数据集中训练集是已经标记的数据集，提取特征，训练得到分类器。 本实验中，猫和狗的图像数量是相同的，所以是一个平衡的二分类问题，本实验使用12500张猫和12500张狗的图像作为数据预处理的输入，对图像尺寸异常、图像颜色异常和图像标签标注异常进行了处理。其中对于图像标签标注异常图像，采用了创新方法，首先使用预处理模型来进行排查，然后用表现最佳的预处理模型来对训练集的猫和狗的图片进行预测，由于猫狗的种类不平等，故采用分别微调top参数的方法，筛选出标签标注异常的图像，最终设置的参数为：猫top=35,狗top=10。通过这三步异常图像处理，获得新的训练集24964张图像，其中猫图像12482张，狗图像12482张，猫狗图片在数量上还是均衡的，接着将训练集图像重新命名排序，使所有图像的序号是连续的，方便后续处理。数据预处理过后，处理了各种异常图像，训练出一个模型，使用CNN技术，基于AlexNet的5个卷积层和3个全连接层建立了一个简单模型，对给定的猫和狗的图像进行分类。

在 Keras 中使用Baseline U-Net 模型和图像增强通过语义分割进行烟雾检测 这个 repo 是的部分实现 此用例的主要目的是检测任何背景中的烟雾。 烟雾的来源、颜色、环境等也可能有变化。我们应该能够从语义上分割烟雾以分析它的各种特征，如颜色、强度、烟雾喷射持续时间（来自视频源）等。 master分支具有U-Net的实现，但是在不同分支中提供了使用另一种实现。 优网 U-Net 是一种卷积神经网络，是德国弗莱堡大学计算机科学系为生物医学图像分割而开发的。 该网络基于全卷积网络，其架构经过修改和扩展，可以使用更少的训练图像并产生更精确的分割。 建筑学 图片来源：德国弗赖堡大学计算机科学系 在 Kaggle Airbus 船舶检测挑战中， 使用这个模型从过滤器尺寸 8 开始，从 768x768 图像检测船舶。 但是，我已将它用于从 Google 搜索获得的“烟雾图像”并将其调