keras

小鸡吃米…

TensorFlow——Keras 框架摘要：本文介绍了使用Keras框架在TensorFlow上构建卷积神经网络(CNN)处理MNIST手写数字识别的完整流程。首先加载并预处理数据，包括维度调整、归一化和独热编码；然后构建包含两个卷积层、池化层、Dropout层和全连接层的序贯模型；接着使用交叉熵损失和Adam优化器编译模型；经过10轮训练后，模型在测试集上达到99.1%的准确率。整个过程展示了Keras简化深度学习模型开发的优势，包括直观的API设计、灵活的层配置和高效的训练流程。

深度学习框架：Keras深度学习框架Keras 是一个模型级（model-level）的库，为开发深度学习模型提供了高层次的构建模块

TensorFlow 2.x深度实战：从Keras API到自定义训练循环目录摘要1 引言：TensorFlow 2.x的技术演进与价值1.1 TensorFlow 2.x架构全景

你的第一个神经网络：用PyTorch/Keras实现手写数字识别你是否曾好奇人工智能是如何“看懂”手写数字的？在本教程中，我们将从零开始，带你构建你的第一个神经网络模型，使用深度学习框架 PyTorch 或 Keras，在经典的 MNIST 手写数字数据集上进行训练与测试。无论你是深度学习的新手，还是希望巩固基础知识，这篇指南都将帮助你理解数据预处理、模型搭建、训练流程和性能评估等核心步骤。只需几十行代码，你就能亲手打造一个准确率超过 95% 的数字识别器——让我们一起迈出 AI 编程的第一步！

巫婆理发222

Keras简介学习使用 Keras，这是一个用 Python 编写的高级神经网络 API（编程框架），能够运行在包括 TensorFlow 和 CNTK 在内的多个底层框架之上。Keras 的开发旨在让深度学习工程师能够快速构建和实验不同的模型。正如 TensorFlow 比 Python 更高级，Keras 更高级，提供更多抽象。能够以最小的延迟从想法到结果，是找到好模型的关键。不过，Keras 比底层框架更严格，所以有些非常复杂的模型可以在 TensorFlow 实现，但在 Keras 里（而且难度更大）就不行。话

AI街潜水的八角

基于keras框架的LeNet/AlexNet/Vgg16深度学习神经网络花卉/花朵分类识别系统源码第一步：准备数据五种花卉数据：“雏菊”、“蒲公英”、“玫瑰”、“向日葵”、“郁金香”，总共有2671张图片

AI街潜水的八角

基于keras框架的MobileNetV3深度学习神经网络花卉/花朵分类识别系统源码第一步：准备数据12种花卉数据：向日葵, 梨花, 水仙, 牡丹, 玉兰花, 玫瑰, 睡莲, 美人蕉, 荷花, 菊花, 郁金香, 鸡蛋花，总共有7017张图片，每个文件夹单独放一种花

AI街潜水的八角

基于keras框架的MobileNet深度学习神经网络垃圾识别分类系统源码第一步：准备数据三种垃圾数据：厨房垃圾，危害性垃圾，可回收垃圾，总共10162张图片第二步：搭建模型本文选择MobileNe，其网络结构如下：

AI街潜水的八角

基于keras框架的Vgg深度学习神经网络衣服多标签分类识别系统第一步：准备数据6种衣服组合数据：'black_jeans', 'blue_dress', 'blue_jeans', 'blue_shirt', 'red_dress', 'red_shirt'，总共有2167张图片，每个文件夹单独放一种动物

你们补药再卷啦

识别手写数字（keras）1.自定义模型进行手写数字的识别例子2.直接用预训练模型识别图像3.迁移学习4.风格迁移1.识别手写数字 MNIST（自定义）

serve the people

tensorflow Keras Sequential 模型你提供的内容是 Keras 中 Sequential 模型的核心说明，下面从核心概念、代码解析、适用/不适用场景、扩展用法四个维度展开讲解，帮你彻底理解这个基础且常用的模型结构。

serve the people

tensorflow 零基础吃透：RaggedTensor 在 Keras 和 tf.Example 中的实战用法 (补充)keras_model的训练报错如下：这个报错的核心原因是：Keras的LSTM层无法直接处理RaggedTensor的内部不规则维度（虽然Input层声明了ragged=True，但LSTM层对RaggedTensor的原生支持存在限制，无法索引不规则的inner维度）。

weixin_42158501

SpatialTransformer库函数分析二SpatialTransformer（特别是 VoxelMorph 中的实现）之所以保持可微分（differentiable），根本原因在于：

serve the people

tensorflow 零基础吃透：RaggedTensor 在 Keras 和 tf.Example 中的实战用法这份内容会拆解 RaggedTensor 两大核心实战场景——Keras 深度学习模型输入、tf.Example 可变长度特征解析，全程用通俗语言+逐行代码解释，帮你理解“为什么用RaggedTensor”“怎么用”“核心API原理”。

深度学习框架keras使用—(1)CNN经典模型：VGGNet2014年，牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发出了新的深度卷积神经网络：VGGNet，并取得了ILSVRC2014比赛分类项目的第二名（第一名是GoogLeNet，也是同年提出的）和定位项目的第一名。 VGGNet探索了卷积神经网络的深度与其性能之间的关系，成功地构筑了16~19层深的卷积神经网络，证明了增加网络的深度能够在一定程度上影响网络最终的性能，使错误率大幅下降，同时拓展性又很强，迁移到其它图片数据上的泛化性也非常

Keras深度学习框架入门教程Keras是一个高级神经网络API，基于TensorFlow、Theano或CNTK后端运行。它以用户友好、模块化和可扩展为设计目标，适合快速原型设计和生产环境部署。

serve the people

tensorflow 衔接 tf.Module 讲解 Keras 的核心设计这段内容的核心是衔接 tf.Module 讲解 Keras 的核心设计——tf.keras.layers.Layer（Keras层）和 tf.keras.Model（Keras模型）均继承自 tf.Module，因此完全具备 tf.Module 的变量收集、子模块管理等特性，同时新增了「标准化生命周期」「训练/评估工具」「灵活模型定义方式」等高层功能，让模型构建、训练、部署更简洁。

serve the people

tensorflow Keras 模型的保存与加载这段内容的核心是讲解 Keras模型的保存与加载——Keras模型继承自tf.Module，因此完全兼容tf.saved_model.save()，但Keras封装了更简洁的model.save()方法，还额外支持保存「训练相关配置（损失、优化器、指标）」，加载也更便捷，无需依赖原始Python类就能恢复模型并复用。

java1234_小锋

[免费]基于Python的深度学习人脸表情识别系统(Keras卷积神经网络+OpenCV+PyQt)【论文+源码+SQL脚本】大家好，我是java1234_小锋老师，看到一个不错的基于Python的深度学习人脸表情识别系统(Keras卷积神经网络+OpenCV+PyQt)【论文+源码+SQL脚本】，分享下哈。

TensorFlow深度学习实战——胶囊网络胶囊网络 (Capsule Network, CapsNet) 是一种新颖的深度学习网络类型，CapsNet 已经在 MNIST 分类任务上超越了最优秀的卷积神经网络 (Convolutional Neural Network, CNN)。