Keras ResNeXt 来自Keras 2.0+中的的论文,ResNeXt模型的实现。 包含用于构建常规ResNeXt模型(针对类似于CIFAR的数据集进行优化)和ResNeXtImageNet(针对ImageNet数据集进行优化)的代码。 显着特征 ResNeXt使用新的扩展块架构更新ResNet块,该架构取决于cardinality参数。 可以从本文的下图中进一步将其可视化。 但是,由于在Keras中不能直接使用分组卷积,因此在此存储库中使用了等效的变体(请参见块2) 用法 对于一般的ResNeXt模型(对于ImageNet以外的所有数据集), from resnext import ResNext model = ResNext(image_shape, depth, cardinality, width, weight_decay) 对于针对ImageNet优化的Res
2021-09-28 09:43:49 498KB Python
1
使用MLP/RNN/LSTM模型进行IMDb情感分析,使用Jupyter Notebook 编写的 Python代码,含建模及测试,代码注释清晰,十分适合新手
2021-09-27 19:51:20 1.66MB Keras MLP RNN LSTM
1
可切换归一化-Keras keras的可切换归一化方法 可切换归一化 本文的可归一化引入了可切换归一化(SN)。 博客解释SN方法。 SN适应权重3种不同的归一化方法,包括IN / LN / BN。 加权平均均值和方差分别需要3个可训练的平均权重和3个可训练的方差权重,因此SN的可训练参数等于2 * channels + 6 。 可切换规范化代码 实验 实验日志的详细信息位于目录实验中 比较3归一化方法: batch_norm(bn) // group_norm(gn) // switchable_norm(sn) 数据:ISBI 2D EM分割图像 网络:Unet(基于VGG) 纪元:5 环境:GeForce 1080Ti 结果: 训练时间:sn> gn> bn 细分结果:sn> gn> bn
2021-09-27 13:47:58 3.48MB Python
1
Keras中的两流CNN工具 在的基于骨架的动作识别中,提出了两流CNN,用于基于骨架的动作识别。 它将骨架序列映射到图像(坐标x,y,z到图像R,G,B)。 他们专门设计了骨架变压器模块,以自动重新排列和选择重要的骨架关节。 要求 Python3 凯拉斯 h5py matplotlib 麻木 网络架构 该网络主要由Skeleton Transformer , ConvNet , Feature Fusion和Classification四个模块组成。 两个流的输入分别是原始数据(x,y,z)和帧差。 如下图所示: 用法 function / data_generator.py :生成两个流的输入numpy数组 layer / transformer :Keras中的Skeleton Transformer工具层 网络/ :褶皱有四只苍蝇,具有不同的特征融合方式 结果 模型 准确度(
2021-09-25 10:54:30 115KB keras action-recognition skeleton-data Python
1
keras-resnet:用于深度残差网络的Keras软件包
2021-09-25 08:50:25 40KB theano deep-learning tensorflow keras
1
视频异常检测 目的 具有多种算法的视频异常检测系统,并提供实时支持。 目前实施的方法 对于每种方法,都应该有一个jupyter笔记本,评估支持(进行样本测试并输出是否异常)和实时支持。 方法 笔记本状态 评估支持 实时支持 去做 做完了 去做 做完了 去做 去做 构型 通过复制Config.py.example创建一个新的Config.py,其中包含以下参数。 DATASET_PATH :USCDped1 / Train目录的路径。 SINGLE_TEST_PATH :要运行的测试样本。 RELOAD_DATASET :布尔参数。 如果是第一次读取数据库,则设置为True否则从缓存中读
2021-09-24 16:25:26 20.75MB python computer-vision keras jupyter-notebook
1
使用深度学习+tf+kears完成垃圾分类
2021-09-24 12:05:34 34.15MB 深度学习 垃圾分类 tensorflow keras
使用深度学习+tf+keras完成人脸性别分类
2021-09-24 12:05:34 285.14MB 人脸性别分类 深度学习 tf keras
主要介绍了解决keras,val_categorical_accuracy:,0.0000e+00问题,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
2021-09-24 11:28:38 46KB keras val_categorical_accuracy 0.0000e+00
1
第4章 FOM/SOM开发 HLA1.3RTI-NG .sxg程程程程程 第33页冯页106页 打打打2002-07-23 10:33:11
2021-09-24 10:33:59 3.18MB HLA DMSO RTI 程序员手册
1
服务器状态检查中...