SiameseLSTM-Keras 针对短语/句子/序列的相似性比较提出了一种评价模型——Siamese LSTM（孪生网络）。该模型是输入为句子对，输出为输入句子对的相似性得分，基于Keras实现。训练35轮左右模型达到拟合，测试集准确率87%

利用keras来实现mobilenet程序，用于手机端的识别模型

采用SSD神经网络实现图像的目标检测分类识别

基于Keras的GAN网络代码，里面有各种GAN网络的代码，请下载

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

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

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

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（

keras-resnet：用于深度残差网络的Keras软件包

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