凯拉斯·伯特 [| ] 实现。 可以加载官方的预训练模型以进行特征提取和预测。 安装 pip install keras-bert 用法 使用热身 下载预先训练的检查点 提取功能 外部链接 Kashgari是可用于文本标签和文本分类的生产就绪NLP转移学习框架 凯拉斯·阿尔伯特 加载官方预训练模型 在特征提取演示中，您应该能够获得与官方模型chinese_L-12_H-768_A-12相同的提取结果。 并且在预测演示中，可以预测句子中丢失的单词。 在TPU上运行 提取演示演示了如何转换为在TPU上运行的模型。 分类演示显示了如何将模型应用于简单的分类任务。 分词器 Tokenizer类用于拆分文本并生成索引： from keras_bert import Tokenizer token_dict = { '[CLS]' : 0 , '[SEP]' : 1

YOLOV4：You Only Look Once目标检测模型-修改mobilenet系列主干网络-在Keras当中的实现 2021年2月8日更新： 加入letterbox_image的选项，关闭letterbox_image后网络的map一般可以得到提升。 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 416x416 - 66.29 VOC07+12 VOC-Test07 416x416 - 80.18 VOC07+12 VOC-Test07 416x416 - 79.72 VOC07+12 VOC-Test07 416x416 - 78.45 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 注意事项 提供的四个训练好的权重分别是基于mobilenet

mit-bih_ecg_recognition:使用带有tensorflow的1d CNN进行MIT-BIH ECG数据识别

用LSTM预测库存 该项目包括使用LSTM对库存数据进行培训和预测的过程。 特点是同伴： 简洁模块化 支持pytorch，keras和tensorflow的三个主流深度学习框架 参数，模型和框架可以高度定制和修改 支持增量培训 支持同时预测多个指标 支持预测任意天数 支持列车可视化和日志记录 中文介绍可以参考： : pytorch对股票高价和低价的同时预测结果如下：

Keras入门级MNIST手写数字识别超级详细教程

Keras模型.ipynb

keras + yolov3 权重文件 yolov3.h5

imdb电影评价数据集 imdb电影评价数据集 imdb电影评价数据集 使用Demo参考《Python深度学习》

深度学习示例 使用 Python 进行深度学习示例。 要求 numpy==1.18.5 scipy==1.5.2 tensorflow==2.2.0 pandas==1.0.5 matplotlib==3.2.2 scikit_learn==0.23.2 谷歌合作实验室 您可以在 Colab 上运行笔记本： 示例列表 数据集 任务 神经网络结构/细胞类型 回归 稠密 分类 稠密 图像分类 卷积 文本分类 循环，双向循环 时间序列预测 格鲁乌 异常检测 香草自动编码器，变体自动编码器 我的另一个存储库中的示例 数据集 笔记本 任务 神经网络结构 - 图像分类 - 医学诊断 卷积神经网络 资源 https://keras.io/examples/

自学基于keras的语义分割和基于tensorflow api的目标检测时遇到的30种报错以及搜集整理的处理方法