视觉转换器 Keras Tensorflow Pytorch 示例 在介绍的 Vision Transformer (ViT) 的 Tensorflow 实现，作者表明 Transformers 直接应用于图像补丁并在大型数据集上进行了预训练，在图像分类方面效果非常好。 官方文件 官方代码 文章一步一步 视觉转换器 。 Vision Transformer 代码集锦 否 名称 关联 1。 ViT Pytorch (1.9K) :star: 2. 谷歌 Vit 代码（1.3K） :star: 3. 全天下(161) :star: 4. Vit Tensorflow2 5. 视觉转换器 Pytorch(80) :star: 6. 预训练视觉转换器 (70) :star: 7. 视觉转换器TF2(49) :star: 8. 视觉转换器 Tensorflow(62) :star: 9. 带控制激活图的视觉变压器（4

KerasGA：使用遗传算法训练Keras模型 是库的一部分，用于使用遗传算法（GA）训练模型。 项目有一个名为kerasga.py模块，该模块具有一个名为KerasGA的类，用于准备KerasGA模型参数的初始填充。 是一个开放源代码的Python库，用于构建遗传算法和训练机器学习算法。 在查看图书馆的： : 在使用此项目之前，通过pip安装 。 对于Windows： pip install pygad 对于Linux / Mac： pip3 install pygad 捐款 您可以通过捐款： 。 要使用PayPal捐款，请使用以下链接： 或电子邮件地址ahmed.f.gad@gmail.com 。 安装 要安装PyGAD ，只需使用pip从PyPI （Python软件包索引）下载并安装该库。 该库位于此页面https://pypi.org/project/p

Pima Indians 糖尿病发病情况数据集，用于keras深度学习

小波神经网络 实施 使用keras深度学习框架。 我使用本文进行本科研究。 数据集 本文使用的数据集不是开放的，因此我使用cat vs dog数据集来测试WaveletCNN的实现 要求 Python 3+ Tensorflow> = 1.12 凯拉斯2.2.4 Matplotlib 参考

焦点损失 降低了分类良好的示例的权重。 这样做的净效果是，将更多的培训重点放在难以分类的数据上。 在我们的数据不平衡的实际环境中，由于我们拥有更多的数据，我们的多数阶级将很快得到很好的分类。 因此，为了确保我们在少数族裔班上也能达到很高的准确性，我们可以使用焦点损失在训练过程中为那些少数族裔班级提供更多的相对权重。 焦点损失可以很容易地在Keras中实现为自定义损失函数。 用法 以焦点损失为样本编译模型： 二进位 model.compile（损失= [binary_focal_loss（alpha = .25，gamma = 2）]，指标= [“准确性”]，优化程序= adam） 分类的 model.compile（损失= [categoical_focal_loss（alpha = [[。25，.25，.25]]，gamma = 2）]，指标= [“准确性”]，优化程序= ad

一份详细的keras优化器详细总结。基于梯度的优化方法 1 0. 梯度下降 2 1. 批量梯度下降Batch gradient descent(BGD) 3 2. 随机梯度下降 Stochastic gradient descent(SGD) 4 3. 小批量梯度下降 Mini-batch gradient descent(MBGD) 5 4. Momentum（动量） 7 5. Adagrad 7 6. Adadelta 9 7. RMSprop 9 8. Adam 10 优化器的选择 11 最近邻分类器 11 损失函数 12 激活函数： 14 优化函数 14

手把手教你搭建AlphaZero（使用Python和Keras）.pdf

imdb数据原始文本

马克思 普朗克生物地球化学研究所气象站记录数据

Anaconda平台下tensorflow1.12.0的安装、配置以及升级方法，适合有需求的小白玩家！