注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. Keras中文文档.pdf

  2. Keras官方文档PDF版，带书签，一共307页，完整版，目前最好的版本！欢迎下载！model train on batch(x batch, y batch) 只需一行代码就能评估模型性能: loss and metrics modelevaluate(x test, y test, batch size=128) 或者对新的数据生成预测: classes =model predictx test, batch size=128) 构建一个问答系统,一个图像分类模型,一个神经图灵机,或者其他的

  3. 所属分类：深度学习

    • 发布日期：2019-09-03
    • 文件大小：12582912
    • 提供者：dzgybd

  1. TensorFlow实现创建分类器

  2. 主要为大家详细介绍了TensorFlow实现创建分类器，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

  3. 所属分类：其它

    • 发布日期：2020-09-20
    • 文件大小：75776
    • 提供者：weixin_38519681

  1. 用TensorFlow实现多类支持向量机的示例代码

  2. 本文将详细展示一个多类支持向量机分类器训练iris数据集来分类三种花。 SVM算法最初是为二值分类问题设计的，但是也可以通过一些策略使得其能进行多类分类。主要的两种策略是：一对多（one versus all）方法；一对一（one versus one）方法。 一对一方法是在任意两类样本之间设计创建一个二值分类器，然后得票最多的类别即为该未知样本的预测类别。但是当类别（k类）很多的时候，就必须创建k！/（k-2）！2！个分类器，计算的代价还是相当大的。 另外一种实现多类分类器的方法是一对多，其为

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：140288
    • 提供者：weixin_38624914

  1. TensorFlow实现创建分类器

  2. 本文实例为大家分享了TensorFlow实现创建分类器的具体代码，供大家参考，具体内容如下 创建一个iris数据集的分类器。 加载样本数据集，实现一个简单的二值分类器来预测一朵花是否为山鸢尾。iris数据集有三类花，但这里仅预测是否是山鸢尾。导入iris数据集和工具库，相应地对原数据集进行转换。 # Combining Everything Together #---------------------------------- # This file will perform binar

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：79872
    • 提供者：weixin_38660051

  1. ReND_Car_TensorLab_with_NeuralNet-源码

  2. TensorFlow神经网络实验室 神经网络研究 自述文件md在。 给出了分类问题的数据集，并使用感知器层设计分类器。 请检查markdown以及c++和python代码，以了解其工作原理。 基本Tensorflow实验室 笔记本电脑有3个问题需要您解决： 问题1：规范化功能 问题2：使用TensorFlow操作创建特征，标签，权重和偏差张量 问题3：调整学习速度，步骤数和批量大小，以实现最佳准确性 这是一个自我评估的实验室。 在比较您对解决方案的答案

  3. 所属分类：其它

    • 发布日期：2021-03-25
    • 文件大小：2097152
    • 提供者：weixin_42165018

  1. 深度学习：感知器学习算法

  2. 因为你知道感知器是创建深层神经网络的基本构件，因此，很明显，我们应该从感知器开始掌握深层学习的旅程，并学习如何使用TensorFlow来实现它来解决不同的问题。如果你对深度学习还不太熟悉，我建议你浏览一下这个深度学习教程系列的前一篇博客，以避免任何困惑。以下是本博客中关于感知器学习算法的主题：感知器作为线性分类器使用TensorFlow库实现感知器声纳数据分类使用单层感知器分类问题类型可以对各种分类问题进行分类可以用神经网络分为两大类：基本上，如果你能用一条线把数据集分为两类或两类，那么一个问题

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：541696
    • 提供者：weixin_38750721

  1. Neural_Network_Charity_Analysis：神经网络模型分析-源码

  2. 在本模块中，将使用Python中的TensorFlow平台探索和实现神经网络。 讨论了计算神经元的背景和历史，以及应用于深度学习的神经网络的当前实现。 讨论了不同神经网络的主要成本和收益，并将这些成本与传统的机器学习分类和回归模型进行比较。 此外，还练习了跨许多不同的数据集（包括图像，自然语言和数字数据集）实施神经网络和深度神经网络。 最后，学习了如何存储和检索经过训练的模型以用于更强大的用途。 统计分析概述： 在此模块挑战中，将执行数据分析以帮助基金会（字母汤）预测在何处进行投资。 使用了机

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：827392
    • 提供者：weixin_42135773

  1. Adversarial_Video_Generation：Mathieu，Couprie和LeCun的“超越均方误差的深度多尺度视频预测”的TensorFlow实现-源码

  2. 对抗视频生成 该项目实施了一个生成对抗网络，以预测视频的未来帧，如Mathieu，Couprie和LeCun的。 他们的官方代码（使用Torch）可在找到。 对抗生成使用两个网络（生成器和鉴别器）来提高生成图像的清晰度。 给定视频的过去四帧，生成器将学习为下一帧生成准确的预测。 给定生成的图像或真实世界的图像，鉴别器将学习正确地对生成的图像和真实图像进行分类。 这两个网络“竞争”，生成器试图欺骗鉴别器将其输出分类为真实。 这迫使生成器创建与域中实际帧看起来非常相似的帧。 结果与比较 我在Pac

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：9437184
    • 提供者：weixin_42122838

  1. MNIST-TFLite：为TensorFlow Lite构建的MNIST分类器-Android，iOS和其他“精简版”平台-源码

  2. MNIST-TFLite TensorFlow 2.0（Alpha） 该存储库包含Jupyter Notebook，其代码在TensorFlow 2.0 alpha上运行。 由于这不是稳定版本，因此整个代码可能随时中断。 笔记本仅用于协作环境而创建。 它需要进行一些更改以使其能够在博客文章中介绍的Docker环境中工作。 TensorFlow 1.x MNIST分类器的示例TensorFlow Lite实现。 创建该项目的目的是展示如何构建最简单的机器学习模型并将其在移动应用程序中使用。 有

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：11534336
    • 提供者：weixin_42139042

  1. 分层注意力网络：使用TensorFlow中的分层注意力网络进行文档分类。 警告：项目目前未维护，可能无法解决问题-源码

  2. 深度文字分类器 在文档分类的描述的文档分类模型的实现 。 怎么跑 创建一个虚拟环境，将其激活并安装要求： python3 -m venv env source env/bin/activate pip install -r requirements.txt 下载spaCy的英语模型： python -m spacy download en 获取并将其提取到此目录中。 python3 yelp_prepare.py dataset/review.json python3 worker.py

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：14336
    • 提供者：weixin_42109732

  1. 深度学习：感知器学习算法

  2. 因为你知道感知器是创建深层神经网络的基本构件，因此，很明显，我们应该从感知器开始掌握深层学习的旅程，并学习如何使用TensorFlow来实现它来解决不同的问题。如果你对深度学习还不太熟悉，我建议你浏览一下这个深度学习教程系列的前一篇博客，以避免任何困惑。以下是本博客中关于感知器学习算法的主题：感知器作为线性分类器使用TensorFlow库实现感知器声纳数据分类使用单层感知器分类问题类型 可以对各种分类问题进行分类可以用神经网络分为两大类：基本上，如果你能用一条线把数据集分为两类或两类，那么一个问

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：541696
    • 提供者：weixin_38601499

  1. TensorFlow实现非线性支持向量机的实现方法

  2. 这里将加载iris数据集，创建一个山鸢尾花（I.setosa）的分类器。 # Nonlinear SVM Example #---------------------------------- # # This function wll illustrate how to # implement the gaussian kernel on # the iris dataset. # # Gaussian Kernel: # K(x1, x2) = exp(-gamma * abs(x1 -

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：141312
    • 提供者：weixin_38620893

  1. CFace:使用在C ++代码库中实现的Tensorflow C API训练和评估面部分类Keras模型-源码

  2. 脸部 使用在C ++代码库中实现的Tensorflow C API训练和评估面部分类Keras模型。 相依性 自定义版本（包含在存储库中） 特征 CFace能够使用Keras预训练模型在基于C ++的应用程序中实现迁移学习。 这里介绍的实现是两个图像类别之间的二进制分类器。 CFace能够通过使用面部检测对面部图像进行预处理，将其裁剪为所需的模型输入大小，并将处理后的文件存储到准备用于训练的文件结构中。 也可以使用CFace进行完整的培训周期，严格只使用Tensorflow C API的调用，

  3. 所属分类：其它

    • 发布日期：2021-04-01
    • 文件大小：405504
    • 提供者：weixin_42128558