该代码基于Keras实现，详细的展现了CNN基本步骤，适合初学者小白使用。包含MNIST、CIFAR、TITANIC三个数据集相关多个代码。

主要介绍了在Keras中CNN联合LSTM进行分类实例，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

在Keras中实现的文本分类模型，包括：FastText，TextCNN，TextRNN，TextBiRNN，TextAttBiRNN，HAN，RCNN，RCNNVariant等。

仅用于学习和交流，不能用于商业等行为，仅用于学习和交流，不能用于商业等行为，仅用于学习和交流，不能用于商业等行为！

CoreML和Keras实现超分辨率卷积神经网络（SRCNN）

利用CNN处理CIFAR-10的测试精度没达到0.9，所以来试试Rsenet~通过数据增强等处理方式，利用20层的Resnet对其进行测试，精度达到0.9139.

人工智能-Keras-项目实战视频教程；Keras项目实战课程从实战的角度出发，基于真实数据集与实际业务需求，从零开始讲解如何进行数据处理，模型训练与调优，最后进行测试与结果展示分析。全程实战操作，以最接地气的方式详解每一步流程与解决方案。课程结合当下深度学习热门领域，以计算机视觉与自然语言处理为核心讲解各大网络的应用于实战方法，适合快速入门与进阶提升

KoSpacing：带R的自动朝鲜语单词间距

TensorFlow对象计数API TensorFlow对象计数API是一个基于TensorFlow和Keras构建的开源框架，可轻松开发对象计数系统。 如果您需要专业的物体检测，跟踪和计数项目，请与我们联系！ 快速演示 累计计数模式（TensorFlow实现）： 实时计数模式（TensorFlow实现）： 对象跟踪模式（TensorFlow实现）： 跟踪模块是基于构建的。 单个图像上的对象计数（TensorFlow实现）： 基于对象计数的R-CNN（）： 基于对象分割和计数的Mask R-CNN（）： 奖励：自定义对象计数模式（TensorFlow实现）： 您可以使用自己的训练数据来训练TensorFlow模型以构建自己的自定义对象计数器系统！ 如果您想学习如何做，请查看下面的示例项目，其中涵盖了迁移学习的一些理论并展示了如何将其应用到有用的项目中。 示例项目1：蓝精灵计数 更多信息可以在找到！ 示例项目2：Barilla-Spaghetti计数 更多信息可以在找到！ 开发正在进行中！ 该API将很快更新，此仓库中将提供更多才华横溢且轻巧的API！ 将添加详细的API文

Netron是神经网络，深度学习和机器学习模型的查看者。 Netron支持ONNX（.onnx，.pb，.pbtxt），Keras（.h5，.keras），核心ML（.mlmodel），来自Caffe（.caffemodel，.prototxt），Caffe2（predict_net.pb），暗网（.cfg），MXNet（.model，-symbol.json），梭子鱼（.nn），ncnn（.param），Tengine（.tmfile），TNN（.tnnproto），UFF（.uff）和TensorFlow Lite（.tflite）。 Netron具有用于实验支持TorchScript（.pt，.pth），PyTorch（.pt，.pth），火炬（.t7），臂NN（.armnn），BigDL（.bigdl，.model），Chainer（.npz，.h5），CNTK（.model，.cntk），Deeplearning4j（.zip），MediaPipe（.pbtxt），ML.NET（.zip），MNN（.mnn），PaddlePaddle（.zip，__model__），OpenVINO（.xml），scikit学习（.pkl），TensorFlow.js（model.json，.pb）和TensorFlow（.pb，.meta，.pbtxt，.ckpt，.index）。