天文 使用Tensorflow Keras在.fits文件中进行小行星检测。 如何检测 将数据集组织到三个文件夹中 >data >detect >set_of_fits >training >Asteroids >NotAsteroids >validation >Asteroids >NotAsteroids 根据您的astro.py的数据集设置参数 运行python astro.py 怎么运行的 我已经解释了它在以下YouTube视频中的作用： :

使用CIFAR数据集进行残留网络实验。 更新（2018/06/15） 我们使用了一种称为HTD的新学习率调度程序。 您可以在或在我们的玩具演示代码。 原始存储库 该存储库是关于CIFAR-10和CIFAR-100的学习率的一些实验。 原始论文以0.1的学习率开始，在32k（ 81 epoch ）和48k（ 122 epoch ）迭代中将其除以10 ，并在64k迭代（总共200 epoch ）时终止训练。 我基于相同的架构进行了其他实验。 唯一的区别是学习率时间表。 所有张量板日志和预训练模型都可以在 怎么跑 您可以运行脚本run.sh来启动所有实验。 或仅运行以下命令： python3 ResNet_keras.py --epochs 200 --stack_n 3 --lr_scheduler 1 --dataset cifar100 实验的准确性 如有任何疑问，请随时与我联

使用深度学习检测疟疾 :mosquito: :microbe: 参与者的Hack 2020是一项计划，可帮助学生利用OPEN SOURCE成长。 HakinCodes的这项倡议通过为各种各样的OPEN SOURCE项目做出贡献以及与导师和组织团队进行互动的机会，为您提供了一个最佳平台，以提高您的技能和能力。 :pushpin: 介绍 该机器学习Web应用程序利用两层卷积神经网络来处理细胞图像，并以近95％的准确度预测它们是否为疟疾。 用于处理深度学习算法的来自美国国家医学图书馆的官方NIH网站，该网站是来自疟疾筛查研究活动的稀薄血液涂片图像中分段细胞的存储库。 :bullseye: 项目目的 在疟疾不再流行的地方（例如在美国），医疗保健提供者可能对该疾病不熟悉。 看到疟疾患者的临床医生可能会忘记在潜在的诊断中考虑疟疾，而不订购所需的诊断测试。 实验室工作人员可能缺乏疟疾经验，并且在显微镜下检查血液涂片时无法发现寄生虫。 疟疾是一种急性发热性疾病。

小红书验证码图片（验证码识别训练）

包含五个资源，非常值得下载哦。 DeepLearningwithKeras_Code； keras-master； Keras快速上手基于Python的深度学习实战_-_谢梁__鲁颖__劳虹岚。mobi； Keras中文手册； sumatrapdf（mobi文件阅读器）。

Keras实现所有卷积层的CoordConv

糖尿病性视网膜病变 这是一个创建webb应用程序的项目，该应用程序可以对是否患有糖尿病性视网膜病的视网膜图像进行分类。 这是24小时。 要求 对于网络应用 Python。 Keras带有tensorflow后端。 Django的 用于培训和定制 符合以上要求， 脾气暴躁的 大熊猫 Scikit学习 Matplotlib Jupyter笔记本 安装 用于运行Web应用程序。 克隆此存储库 前往糖尿病性视网膜病变/网站/ 运行'python3 manage.py runserver' 在浏览器中转到localhost / eye。 用于训练模型和定制。 克隆存储库 下载数据集（或 。 根据Keras 将数据集分为症状和非症状。 运行Jupyter笔记本。 模型将另存为model.hd5。 另外，您可以通过加载model.hd5使用我们的预训练模型。 结果 培训收敛到大约

时间序列模型 时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。这是一类相对比较复杂的预测建模问题，和回归分析模型的预测不同，时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的。 举个栗子：根据过去两年某股票的每天的股价数据推测之后一周的股价变化；根据过去2年某店铺每周想消费人数预测下周来店消费的人数等等 RNN 和 LSTM 模型 时间序列模型最常用最强大的的工具就是递归神经网络（recurrent neural network, RNN）。相比与普通神经网络的各计算结果之间相互独立的特点，RNN的每一次隐含层的计

Transfer_Learning_ResNet50 在此存储库中，我们将执行转移学习，以在Keras中的ResNet50模型上训练CIFAR-10数据集。

语音情感识别 介绍 该存储库负责构建和培训语音情感识别系统。 该工具背后的基本思想是构建和训练/测试合适的机器学习（以及深度学习）算法，该算法可以识别和检测语音中的人类情感。 这对于许多行业领域很有用，例如提出产品推荐，情感计算等。 查看本以获取更多信息。 要求 Python 3.6+ Python包 librosa == 0.6.3 麻木 大熊猫 声音文件== 0.9.0 海浪 斯克莱恩 tqdm == 4.28.1 matplotlib == 2.2.3 pyaudio == 0.2.11 （可选） ：如果要通过转换为16000Hz采样率和convert_wavs.py提供的单声道来添加更多采样音频，则使用 通过以下命令安装这些库： pip3 install -r requirements.txt 数据集 该存储库使用了4个数据集（包括此仓库的自定义数据集），这些数