Grad_CAM_PLUS_PLUS 原来的 梯度CAM Grad-CAM++ 参考 A.Chattopadhyay 等人，“Grad-CAM++：深度卷积网络的改进视觉解释”，arXiv 预印本 arXiv:1710.11063v3，2018 年 abityac94/Grad_CAM_plus_plus

使用Resnet50进行图像相似度检测 介绍 给定一批图像，该程序将尝试使用基于Resnet50的特征向量提取来找到图像之间的相似性。 用法 python kreas_resnet50.py会将images文件夹中存在的所有图像python kreas_resnet50.py比较，并为每个图像提供最相似的图像。 先决条件 下载 使下载的Shell脚本可执行并安装 conda -V检查安装是否成功。 conda update conda和conda update anaconda conda update scikit-learn conda install theano conda install -c conda-forge tensorflow pip install keras export MKL_THREADING_LAYER=GNU 注意：有关更多描述性说明

用keras实现的Capsnet网络，较为容易理解，方便对于更进一步了解胶囊网络

实现过程 from keras import backend as K def Precision(y_true, y_pred): """精确率""" tp= K.sum(K.round(K.clip(y_true * y_pred, 0, 1))) # true positives pp= K.sum(K.round(K.clip(y_pred, 0, 1))) # predicted positives precision = tp/ (pp+ K.epsilon()) return precision def Recall(y_true, y_pred): """召回率"

《机器学习从入门到入职》深度学习的卷积神经网络算法代码框架用的是keras，数据集选用mnist手写字体识别

Keras梯形网络的半监督学习 这是Keras中Ladder Network的实现。 阶梯网络是半监督学习的模型。 请参阅A Rasmus，H Valpola，M Honkala，M Berglund和T Raiko题为“进行”的论文。 此实现已在我们的论文《的正式代码中。 该代码可以发现和博客文章，可以发现 仅使用100个带标签的示例，该模型即可在MNIST上实现98％的测试准确性。 该代码仅适用于Tensorflow后端。 要求 Python 2.7 + / 3.6 + Tensorflow（1.4.0） 麻木 keras（2.1.4） 请注意，其他版本的tensorflow / keras也应该起作用。 如何使用 加载数据集 from keras . datasets import mnist import keras import random # get the da

keras中文手册，可供了解 keras的朋友下载学习。 keras中文手册，可供了解 keras的朋友下载学习。Keras是一个高层神经网络库，Keras由纯Python编写而成并基Tensorflow或Theano。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，上手容易，简单易学。

Speech Emotion Recognition 用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。 改进了特征提取方式，识别准确率提高到了 80% 左右。原来的版本的存档在 。 | 中文文档   Environments Python 3.6.7 Keras 2.2.4   Structure ├── models/ // 模型实现 │   ├── common.py // 所有模型的基类 │   ├── dnn // 神经网络模型 │   │ ├── dnn.py // 所有神经网络模型的基类 │   │ ├── cnn.py // CNN │   │ └── lstm.py // LSTM │   └── ml.py

5个程序员刷题网站| 凯拉斯-伯特-纳 中文 NER 任务使用BiLSTM-CRF/BiGRU-CRF/IDCNN-CRF模型和预训练语言模型的Keras解决方案：支持BERT/RoBERTa/ALBERT ）。 更新日志 2020年2月27日重构的代码keras_bert_ner并删除了一些多余的文件。 bert4keras == 0.2.5现在已集成为该项目的主要部分。 2019.11.14 bert4keras现在作为一个包使用，因为它没有太大变化。 albert 模型现在只能支持谷歌的版本。 2019.11.04修复计算句子准确率和做预测时结果错误的问题。 2019.11.01将keras-contrib crf_accuracy/ crf_loss替换为自定义的 crf_accuracy/crf_loss 来处理掩码标签。 未来的工作 迁移到 tensorflow 2.0。 添加其他 BERT 模型，例如 Distill_Bert、Tiny_Bert。 依赖关系 烧瓶== 1.1.1 keras == 2.3.1 numpy == 1.18.1 loguru == 0.4.1

Pix2Pix-Keras 基于pix2pix模型的动漫图片自动上色 2019-2-25 环境 tensorflow-gpu 1.12.0 Keras 2.2.4 数据集的准备： 把训练的彩色图片放入datasets\OriginalImages文件夹 运行prepare.py进行数据集的处理与准备 注意：当前datasets中的训练集过少，可增加训练集进行训练，防止过拟合 训练模型： 若要加载预训练权重，将权重文件放入weights文件夹 最新权重(在30020张图片的大数据集下训练后的权重)下载 链接： 提取码：cac2 在demo.py中新建一个pix2pix模型实例 调用实例中的train函数进行训练 为新的图片上色: 将权重文件放入weights文件夹 新建一个pix2pix模型实例