您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. keras示例程序

  2. addition_rnn.py 执行序列学习以执行两个数字(作为字符串)的添加。 antirectifier.py 演示如何为Keras编写自定义图层。 babi_memnn.py 在bAbI数据集上训练一个内存网络以进行阅读理解。 babi_rnn.py 在bAbI数据集上训练一个双支循环网络,以便阅读理解。 cifar10_cnn.py 在CIFAR10小图像数据集上训练一个简单的深CNN。 conv_filter_visualization.py 通过输入空间中的渐变上升可视化 VGG1
  3. 所属分类:深度学习

    • 发布日期:2017-10-23
    • 文件大小:10485760
    • 提供者:manoerina0411
  1. Keras卷基层特征可视化,混淆矩阵绘制

  2. 该代码可以实现Keras卷积层特征的可视化,两种混淆矩阵绘制。可以观察深度学习中特定层的输出特征,评判分类模型的分类性能。
  3. 所属分类:互联网

    • 发布日期:2020-04-27
    • 文件大小:5120
    • 提供者:qq_40784418
  1. 卷积网络实现服装分类.zip

  2. 对fashion-minist数据集进行服装分类识别(10种),python3.7 用keras架构 实现1层,3层,4层卷积网络,有准确度和损失图,衣服的可视化验证,还增加了一个tkinter窗口 从本地选择图片,放入模型中识别,最后给图片贴上标签
  3. 所属分类:互联网

    • 发布日期:2020-06-27
    • 文件大小:82837504
    • 提供者:weixin_40382566
  1. keras中的卷积层&池化层的用法

  2. 主要介绍了keras中的卷积层&池化层的用法,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
  3. 所属分类:其它

    • 发布日期:2020-09-16
    • 文件大小:55296
    • 提供者:weixin_38603259
  1. Keras实现DenseNet结构操作

  2. DenseNet结构在16年由Huang Gao和Liu Zhuang等人提出,并且在CVRP2017中被评为最佳论文。网络的核心结构为如下所示的Dense块,在每一个Dense块中,存在多个Dense层,即下图所示的H1~H4。各Dense层之间彼此均相互连接,即H1的输入为x0,输出为x1,H2的输入即为[x0, x1],输出为x2,依次类推。最终Dense块的输出即为[x0, x1, x2, x3, x4]。这种结构个人感觉非常类似生物学里边的神经元连接方式,应该能够比较有效的提高了网络中
  3. 所属分类:其它

    • 发布日期:2020-12-17
    • 文件大小:106496
    • 提供者:weixin_38741195
  1. 基于keras的卷积神经网络(CNN)

  2. 1 前言 本文以MNIST手写数字分类为例,讲解使用一维卷积和二维卷积实现 CNN 模型。关于 MNIST 数据集的说明,见使用TensorFlow实现MNIST数据集分类。实验中主要用到 Conv1D 层、Conv2D 层、MaxPooling1D 层和 MaxPooling2D 层,其参数说明如下: (1)Conv1D Conv1D(filters, kernel_size, strides=1, padding='valid', dilation_rate=1, activation=N
  3. 所属分类:其它

    • 发布日期:2020-12-22
    • 文件大小:58368
    • 提供者:weixin_38744375
  1. Deep-Surveillance-Monitor-Facial-Emotion-Age-Gender-Recognition-System:计算机视觉模块,用于在任何给定的图像,视频或实时网络摄像头中检测人的情绪,年龄和性别。 开发了一个

  2. 深度监控显示器面部情感年龄性别识别系统 计算机视觉模块,用于在任何给定的图像,视频或实时网络摄像头中检测人的情绪,年龄和性别。 开发了一个定制的VGG16模型,并对从Kaggle和IMDB下载的开源面部数据集进行了训练。 OpenCV,dlib和keras用于辅助面部检测和视频处理。 最终系统可以通过任何给定的图像,视频或实时网络摄像头检测人们的情绪,年龄和性别。 屏幕截图 在任何图像中检测情绪,年龄,性别! 在任何视频中检测情绪,年龄,性别! 在网络摄像头中检测情绪,年龄,性别! 技术概念 V
  3. 所属分类:其它

    • 发布日期:2021-03-11
    • 文件大小:31457280
    • 提供者:weixin_42099906
  1. DATA515-Brain-Scan-Classification:该资料库涵盖了华盛顿大学DATA 515课程的脑部扫描肿瘤分类项目。 在我们的项目中,我们训练CNN来预测MRI扫描(.jpg)是否有肿瘤-源码

  2. 脑部扫描分类 DATA 515最终项目 位置: : 脑部扫描分类是一个机器学习项目,可将2D脑部扫描图像分类为肿瘤或非肿瘤。 我们的网站允许用户将自己(.jpg)的照片上传到模型中,并获得预期的结果。 怎么运行的 导航至 单击“选择文件”按钮,然后从文件资源管理器中选择2D .jpg脑部扫描 点击“提交”按钮,然后等待结果显示在页面顶部 关于模型 对于此项目,我们使用带有一个隐藏层的2D卷积神经网络将2D MRI脑部扫描图像分类为不是肿瘤。 它是使用Tensorflow和Keras构建的
  3. 所属分类:其它

    • 发布日期:2021-03-08
    • 文件大小:8388608
    • 提供者:weixin_42131705
  1. Digit-Recognition-Using-MNIST-Dataset:该模型使用CNN进行训练,并以99.5%的精度识别手写数字-源码

  2. 使用MNIST的数字识别数据集 该模型使用CNN进行训练,并以99.5%的精度识别手写数字 手写数字数据集的历史 修改后的美国国家标准技术研究院数据库(MNIST数据集)是一个大型的手写数字数据集,广泛用于图像处理和机器学习中。 MNIST数据库中的图像集是NIST的两个数据库的组合:特殊数据库1和特殊数据库3。特殊数据库1和特殊数据库3分别由高中生和美国人口普查局员工编写的数字组成。 。 建筑模型 使用Keras建模 在Keras中定义模型有两种不同的方法: 顺序模型 函数API函数API用
  3. 所属分类:其它

    • 发布日期:2021-03-06
    • 文件大小:1048576
    • 提供者:weixin_42143092
  1. tensorflow2-crash-course:一个快速的速成课程,用于了解TensorFlow 2和集成的Keras API的要点-源码

  2. TensorFlow 2速成课程 快速的速成课程,了解TensorFlow 2和集成的Keras API的要点。 必需品包括 了解张量 了解TensorFlow中的层 张量运算 梯度下降 使用渐变磁带进行自动差异 自定义训练循环 顺序,功能和子类化API 广域网和深层网络 深度学习基础 层,优化器,学习率 密集神经网络(ANN) 激活功能 批量归一化,辍学 动态学习率政策 卷积神经网络(CNN) 作者:
  3. 所属分类:其它

    • 发布日期:2021-03-04
    • 文件大小:1048576
    • 提供者:weixin_42113380
  1. 图像检测:有助于基于卷积神经网络的基于面部图像的检测-源码

  2. 按照说明,先运行哪个文件 从Generate dataset.ipynb文件创建自己的数据集,或者从kaggle或任何地方获取任何图像数据集-由于它占用空间,我还没有上传任何图像的数据集文件夹。因此,使其在git中上传的时间尽可能短。 为了创建数据集,可以使用opencv,为此可以使用多个代码。 首先,运行splitteddataset,它有助于将图像数据集分为3个文件训练,测试和验证。 在此之后,在keras,CNN中训练模型并选择提供高精度的最佳模型。(注意:在复制此文件之前,最好对CNN,
  3. 所属分类:其它

    • 发布日期:2021-02-16
    • 文件大小:294912
    • 提供者:weixin_42122988
  1. Deep_Learning_for_Manufacturing:用于对象形状错误响应和制造系统校正的贝叶斯深度学习和深度强化学习-源码

  2. 贝叶斯制造业深度学习2.0(dlmfg) 对象形状错误响应(OSER) 概述 开源贝叶斯学习深制造业(dlmfg)库使用TensorFlow,TensorFlow概率与和Keras后端打造建: 贝叶斯深度学习模型(例如贝叶斯3D卷积神经网络和贝叶斯3D U-net)可以在制造系统中进行根本原因分析。 深度强化学习模型,例如“深度确定性策略梯度” ,可在制造系统中进行控制和更正。 该库可用于各个领域,例如装配系统,冲压,增材制造和铣削,其中关键问题是对象形状错误检测和估计。 该库是使用面向对
  3. 所属分类:其它

    • 发布日期:2021-02-12
    • 文件大小:319815680
    • 提供者:weixin_42137723
  1. CheXNet-Keras:该项目是一个用Keras编写的工具,用于构建类似CheXNet的模型-源码

  2. ChexNet-Keras 该项目是用Keras编写的,用于构建类似CheXNet的模型的工具。 什么是 ? ChexNet是一种深度学习算法,可以从胸部X射线图像中检测和定位14种疾病。 如论文所述,在ChestX-ray14数据集上训练了121层紧密连接的卷积神经网络,该数据集包含来自30805位独特患者的112120张正视图X射线图像。 结果是如此之好,以至于超过了放射科医生的表现。 如果您是这个项目的则强烈建议。 去做 CheXpert更新 将仓库升级到TF 2.0(tf.keras
  3. 所属分类:其它

    • 发布日期:2021-02-06
    • 文件大小:1048576
    • 提供者:weixin_42175035
  1. 图像外涂::beach_with_umbrella:Keras在盒子外面进行绘画-源码

  2. Keras实现图像外涂 这是斯坦福大学的“纸”的实现。 为了使用256 * 256图像,已经进行了一些更改: 增加了身份丢失,即从生成的图像到原始图像 从训练数据中删除了补丁。 (培训管道) 用裁切代替了蒙版。 (培训管道) 添加了卷积层。 结果 该模型使用进行训练,具有25个历时的总计10500张图像。 递归绘画 安装要求 sudo apt-get install curl sudo pip3 install -r requirements.txt 开始使用 准备数据: # Downlo
  3. 所属分类:其它

    • 发布日期:2021-02-05
    • 文件大小:11264
    • 提供者:weixin_42099858
  1. keras-tcn:Keras时间卷积网络-源码

  2. Keras TCN 与所有主要/最新的Tensorflow版本(从1.14到2.4.0+)兼容。 pip install keras-tcn Keras时间卷积网络。 [] 为什么选择时间卷积网络? 与具有相同容量的循环体系结构相比,TCN具有更长的内存。 在各种任务(序列MNIST,添加问题,复制内存,字级PTB ...)上,其性能始终优于LSTM / GRU体系结构。 平行度,灵活的接收场大小,稳定的梯度,训练所需的低内存,可变长度的输入... 放大的因果卷积层堆栈的可视化(Wa
  3. 所属分类:其它

    • 发布日期:2021-02-03
    • 文件大小:2097152
    • 提供者:weixin_42144199
  1. devol:使用Keras进行遗传神经体系结构搜索-源码

  2. DEvol-深度神经网络演进 DEvol(DeepEvolution)是Keras中进行遗传结构搜索的基本概念证明。 当前设置是为解决分类问题而设计的,尽管可以将其扩展为包括任何其他输出类型。 有关简单示例,请参见example/demo.ipynb 。 演化 每种模型都表示为固定宽度的基因组,其编码有关网络结构的信息。 在当前设置中,模型包含多个卷积层,多个密集层和一个优化器。 卷积层可以演变为包括不同数量的特征图,不同的激活函数,不同比例的辍学以及是否执行批量归一化和/或最大池化。 除最大
  3. 所属分类:其它

    • 发布日期:2021-02-03
    • 文件大小:14336
    • 提供者:weixin_42134234
  1. Hey-Jetson:基于深度学习的自动语音识别,关注Nvidia Jetson-源码

  2. 嘿,杰森! 自动语音识别推理 布莱斯·沃克(Brice Walker) 该项目在Keras / Tensorflow中构建了一个可扩展的,基于注意力的语音识别平台,以便在Edge上针对AI的Nvidia Jetson嵌入式计算平台进行推理。 自动语音识别的这种实际应用是受我以前在心理健康领域的职业启发的。 该项目开始了为构建实时治疗干预推断和反馈平台的旅程。 最终目的是构建一个工具,该工具可以为治疗师提供有关其干预效果的实时反馈,但是设备上的语音识别在移动,机器人或其他不希望基于云的深度学习的
  3. 所属分类:其它

    • 发布日期:2021-02-02
    • 文件大小:1073741824
    • 提供者:weixin_42171208
  1. keras2cpp:这是一个小库,用于从本地C ++代码运行经过训练的Keras 2模型-源码

  2. Keras2cpp Keras2cpp是一个小型库,用于从C ++应用程序运行经过训练的Keras模型,而无需任何依赖。 设计目标: 与Keras使用TensorFlow后端生成的网络的兼容性。 仅CPU,无GPU。 没有外部依赖项,标准库,C ++ 17。 模型以二进制格式存储在磁盘上,可以快速读取。 模型以连续块的形式存储在内存中,以提高缓存性能。 尚不支持图层和激活类型。 工作正在进行中 支持的Keras层: 稠密 卷积1D 卷积2D 卷积3D 展平 ELU
  3. 所属分类:其它

    • 发布日期:2021-02-01
    • 文件大小:38912
    • 提供者:weixin_42135754
  1. keras中的卷积层&池化层的用法

  2. 卷积层 创建卷积层 首先导入keras中的模块 from keras.layers import Conv2D 卷积层的格式及参数: Conv2D(filters, kernel_size, strides, padding, activation=’relu’, input_shape) filters: 过滤器数量 kernel_size:指定卷积窗口的高和宽的数字 strides: 卷积stride,如果不指定任何值,则strides设为1 padding: 选项包括’valid’
  3. 所属分类:其它

    • 发布日期:2021-01-21
    • 文件大小:58368
    • 提供者:weixin_38737213
  1. deeplearning学习总结(三)——卷积神经网络(CNN)

  2. 1. CNN介绍 1.1 为什么引入CNN CNN是一种主要用于图像识别的神经网络深度学习方法,当图片像素过大,例如为3000*3000时(当然这也太大了),在Keras中根本无法使用Dense层直接运算,因此需要引入CNN。简单的说:CNN在工作过程中提取图片边缘信息,丢弃掉剩余信息,使图片信息变小,更便于运算。 1.2 CNN工作方式 计算机通过寻找诸如边缘和曲线之类的低级特点来分类图片, 经过卷积层后构建出更抽象的概念。CNN采用了局部连接和权值共享,保持了网络的深层构架,同时又减少了网络
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:125952
    • 提供者:weixin_38548589
« 12 »