CIFAR10 小图像分类数据集 50,000 张 32x32 彩色训练图像数据，以及 10,000 张测试图像数据，总共分为 10 个类别。 2 个元组： x_train, x_test: uint8 数组表示的 RGB 图像数据，尺寸为 (num_samples, 3, 32, 32) 或 (num_samples, 32, 32, 3)，基于 image_data_format 后端设定的 channels_first 或 channels_last。 y_train, y_test: uint8 数组表示的类别标签（范围在 0-9 之间的整数），尺寸为 (num_samples,)。

CIFAR100 小图像分类数据集 50,000 张 32x32 彩色训练图像数据，以及 10,000 张测试图像数据，总共分为 100 个类别。 返回： 2 个元组： x_train, x_test: uint8 数组表示的 RGB 图像数据，尺寸为 (num_samples, 3, 32, 32) 或 (num_samples, 32, 32, 3)，基于 image_data_format 后端设定的 channels_first 或 channels_last。 y_train, y_test: uint8 数组表示的类别标签，尺寸为 (num_samples,)。 参数： label_mode: "fine" 或者 "coarse"

CIFAR100 小图像分类数据集 50,000 张 32x32 彩色训练图像数据，以及 10,000 张测试图像数据，总共分为 100 个类别。 返回： 2 个元组： x_train, x_test: uint8 数组表示的 RGB 图像数据，尺寸为 (num_samples, 3, 32, 32) 或 (num_samples, 32, 32, 3)，基于 image_data_format 后端设定的 channels_first 或 channels_last。 y_train, y_test: uint8 数组表示的类别标签，尺寸为 (num_samples,)。 参数： label_mode: "fine" 或者 "coarse"

TensorFlow常用函数总结。能够帮助您快速了解函数用法，功能以及如何正确调用函数。

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