神经网络 卷积神经网络的Keras文本识别实现 此实现中有两种可用的模型。 一个基于原始CRNN模型，另一个则包含空间转换器网络层以纠正文本。 但是，性能差别不大，因此由您决定选择哪种型号。 训练 您可以使用Synth90k数据集训练模型，但也可以使用自己的数据。 如果使用自己的数据，则必须重写代码，以便根据数据结构来加载数据。 要下载Synth90k数据集，请转到此并下载MJSynth数据集。 可以将Synth90k数据集放在data/Synth90k或者使用--base_dir参数指定数据集的路径。 基本目录应包括许多包含Synth90k数据的子目录，用于训练，验证和测试数据的注释文件，列出数据集中所有图像的路径的文件以及词典文件。 使用--model参数指定要使用的两个可用模型中的哪个。 默认模型是带有STN层的CRNN。 有关详细信息，请参见config.py 。 运行tra

GeneticAlgorithmPython：在Python中构建遗传算法 是一部分， 是一个开放源代码的Python 3库，用于构建遗传算法和优化机器学习算法。 在PyGAD的文档中检查项目的文档： ://pygad.readthedocs.io/en/latest/README_pygad_ReadTheDocs.html 支持不同类型的交叉，突变和亲本选择。 通过自定义适应度函数， 允许使用遗传算法优化不同类型的问题。 该库正在积极开发中，并会定期添加更多功能。 如果您希望支持某项功能，请检查“联系我们”部分以发送请求。 捐款 您可以通过捐款： 。 要使用PayPal捐款，请使用以下链接： 或电子邮件地址 。 辅导项目 重要信息如果您要使用标题为“ ”的教程代码，则该代码已移至[Tutorial Project]（ Project）目录于2020年5月6日。 安装 要安

humble-yolo是我写的YOLO v1的最小实现，目的是了解惊人的YOLO算法。 要测试它，请运行： generate-dataset.py生成数据 main.py --train --epoch 100用于训练网络 您应该看到带有边框的图像列表。 前10张图像是未用于训练的测试数据。 您可以在这些网络上评估网络的性能。 其余图像已用于训练。 main.py可以在完成训练后节省重量。 如果您想在不经过培训的情况下运行网络并仅查看结果，则仅运行main.py即可加载最后的权重并重新显示结果。

yolo3-keras yolo3-keras的源码，可以用于训练自己的模型yolov3以及yolov3-tiny 一、环境要求 Python： 3.7.4 Tensorflow-GPU 1.14.0 Keras: 2.2.4 二、快速使用： 1.下载yolov3-keras代码 2.下载yolov3-keras权重文件 并将其放入根目录下 3.执行如下命令将darknet下的yolov3配置文件转换成keras适用的h5文件 python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5 python convert.py yolov3-tiny.cfg yolov3-tiny.weights model_data/yolov3-tiny.h5 模型文件对应说明如下： 模型文件 说明 ep034-loss6.105-val_l

我就废话不多说了，大家还是直接看代码吧！ model = keras.models.Sequential([ #卷积层1 keras.layers.Conv2D(32,kernel_size=5,strides=1,padding=same,data_format=channels_last,activation=tf.nn.relu,kernel_regularizer=keras.regularizers.l2(0.01)), #池化层1 keras.layers.MaxPool2D(pool_size=2,strides=2,padding=same), #卷积层

keras 官方例子，深度学习专用，机器学习专用，代码简单，

用于分布式TensorFlow，Keras，PyTorch，Apache Spark / Flink和Ray的统一数据分析和AI平台什么是Analytics Zoo？ Analytics Zoo提供了一个统一的数据分析和AI平台，可以无缝地使用一个统一的Data Analytics和AI平台，用于Apache Spark / Flink和Ray上的分布式TensorFlow，Keras和PyTorch。什么是Analytics Zoo？ Analytics Zoo无缝地将TensorFlow，Keras和PyTorch扩展到分布式大数据（使用Spark，Flink和Ray）。 用于将AI模型（TensorFlow，PyTorch，OpenVINO等）应用到分布式大数据的端到端管道 原生深度学习（TensorFlow / Keras / Py

我就废话不多说了，大家还是直接看代码吧~ import tensorflow as tf from sklearn.metrics import roc_auc_score def auroc(y_true, y_pred): return tf.py_func(roc_auc_score, (y_true, y_pred), tf.double) # Build Model... model.compile(loss='categorical_crossentropy', optimizer='adam',metrics=['accuracy', auroc]) 完整例子： def a

内含python代码，用于将keras训练的yolo.h5文件，转换为opencv/darknet所需的.weights文件

YOLOV4-Tiny：You Only Look Once-Tiny目标检测模型在Keras当中的实现 2021年2月7日更新： 仔细对照了darknet库的网络结构，发现P5_Upsample和feat1的顺序搞反了，已经调整，重新训练了权值，加入letterbox_image的选项，关闭letterbox_image后网络的map得到提升。 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12+COCO VOC-Test07 416x416 - 77.5 COCO-Train2017 COCO-Val2017 416x416 21.8 41.3 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 注意事项 代码中的yolov4_tiny_weights_coco.h5和yolov4