keras-inception-resnet-v2 使用Keras的Inception-ResNet v2模型（带有权重文件） 在python 3.6下使用tensorflow-gpu==1.15.3和Keras==2.2.5进行了测试（尽管存在很多弃用警告，因为此代码是在TF 1.15之前编写的）。 层和命名遵循TF-slim的实现： : 消息 该实现已合并到keras.applications模块中！ 在GitHub上安装最新版本的Keras并使用以下命令导入： from keras . applications . inception_resnet_v2 import InceptionResNetV2 , preprocess_input 用法 基本上与keras.applications.InceptionV3模型相同。 from inception_resnet

Image-Super-Resolution, 在Keras中，超分辨率CNN的实现 Keras 2 中的图像超分辨率利用深度卷积网络实现Keras中图像超分辨率CNN的实现。还包含上述模型的模型，称为扩展超分辨率，Denoiseing自动编码器SRCNN优于上述模型。设置支持带有Theano和Tensorflo

非常简易的keras函数式（Functional）模型学习以LSTM为例构建多输入和多输出模型的完整实例，可以让新手完美掌握整个模型构建的流程

动手使用Python进行元学习：使用Tensorflow使用一键式学习，MAML，爬行动物，Meta-SGD等进行学习学习

无规范化网络和SGD的Tensorflow实现-自适应梯度剪切 论文： : 原始代码： : 安装及使用 我建议使用Docker运行代码： docker build -t nfnets/imagenet:latest --build-arg USER_ID=$(id -u) --build-arg GROUP_ID=$(id -g) . 要在imagenet数据集上训练NFNet，请执行以下操作： docker run --rm -it --gpus all -v $(pwd):/tf -p 8889:8888 -p 6006:6006 nfnets/imagenet:latest python train.py --variant F0 --batch_size 4096 --num_epochs 360 请参阅train.py模块以获取更多参数。 预先训练的权重已转换为

图像字幕生成 InceptionV3-多层GRU（Keras和TensorFlow） 要求： Python 3.6 TensorFlow 1.13.1（安装tensorflow-1.13.1-cp36-cp36m-win_amd64.whl） 凯拉斯2.2.4 Joblib 1.0.1 Matplotlib 3.3.4 Open CV 4.5.1 熊猫1.1.5 Nltk 3.5 下载Flickr30k或MSCOCO数据集图像和标题。 训练模型的步骤： 克隆存储库以保留目录结构。 对于Flickr30k放在flickr30k图像文件夹或MSCOCO results_20130124.token和Flickr30k图像放captions_val2014.json和MSCOCO图像COCO-images文件夹中。 通过运行以下python keras2tensorflo

Python深度学习（Keras ）2018.08.pdf

Complex_Convolutional_Neural_Network_Architecture 该存储库进一步体现了我对一些著名的复杂卷积神经网络架构的实现。 这些模型是使用Tensorflow的Keras功能API从零开始开发的，这是一种创建比tf.keras.Sequential API更灵活的模型的方法。 功能性API可以处理具有非线性拓扑的模型，具有共享层的模型以及具有多个输入或输出的模型。 这种架构使神经网络可以学习深度模式（使用深度路径）和简单规则（通过短路径）。 开发型号清单 从分支悬空模型到深度卷积和点卷积的模型已经进行了实验。 我还实现了U-net，这是专门用于生物医学图像分割的独特体系结构。 最后，我制作了一个自定义的复杂模型，并在上进行了训练。 AlexNet-AlexNet是卷积神经网络的名称，它对机器学习领域产生了重大影响，特别是在将深度学习应用于机器视觉

CNN对Cifar10进行分类，初始算法准确度为79%； 第二种使用图像加强，精确度可到84%左右； 第三种使用正则化第四种使用双CPU，精确度提升到86%。

model_raw.h5:(4.8MB) Model: "model_1" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= input_1 (InputLayer) (None, 28, 28, 1) 0 _________________________________________________________________ conv2d_1 (Conv2D) (None, 26, 26, 32) 320 _________________________________________________________________ dropout_1 (Dropout) (None, 26, 26, 32) 0 _________________________________________________________________ conv2d_2 (Conv2D) (None, 24, 24, 64) 18496 _________________________________________________________________ max_pooling2d_1 (MaxPooling2 (None, 12, 12, 64) 0 _________________________________________________________________ dropout_2 (Dropout) (None, 12, 12, 64) 0 _________________________________________________________________ flatten_1 (Flatten) (None, 9216) 0 _________________________________________________________________ dense_1 (Dense) (None, 128) 1179776 _________________________________________________________________ dropout_3 (Dropout) (None, 128) 0 _________________________________________________________________ dense_2 (Dense) (None, 10) 1290 ================================================================= Total params: 1,199,882 Trainable params: 1,199,882 Non-trainable params: 0 _________________________________________________________________ [0.03308388070667861, 0.9897] model_compressed.h5(301KB) Model: "model_1" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= input_1 (InputLayer)