登录社区云，与社区用户共同成长
邀请您加入社区
这个只需注册一个kaggle账号，但这个比赛已经结束了，无法提交成绩。
近期准备开始学习Tensorflow2.0, 顺便复习一下Keras的一些相关原理，因此特此写一些系列教程来分享以及记录我学习过程中的一些知识，总结一些看过的书的内容和网上教程，文章内容均为原创，可能会有些错误的地方，希望大家多多批评和支持，博主会不间断进行更新。新版的Tensorflow2.0与原版的Tensorflow有着较大的更新和变动，Tensorflow2.0将Keras作为默认高级..
解决win10+cuda9.2+Cudnn+Tensorflow+keras出错问题：Process finished with exit code -1073741819(0xc000005)本人出错原因cudnn不匹配，出错版本为cudnn-9.2-windows10-x64-v7.2.1.38；更换cudnn-9.2-windows10-x64-v7.1或者cudnn-9.2-windo..
利用CIFAR-10数据集，基于keras，练习构建简单的CNN网络和选VGG16做为baseline的迁移学习介绍Keras的中文版的文档，原文链接：https://keras-cn.readthedocs.io/en/latest/getting_started/sequential_model/keras 构建模型的流程先指定模型 Sequential( )---->堆叠模块 .add
keras官方中文文档链接：https://keras.io/zh/官方中文文档对应的Github：https://github.com/keras-team/keras-docs-zh/===============================================================keras系列︱深度学习五款常用的已训练模型https://blog....
"""坐标注意力机制代码"""import numpy as npfrom tensorflow.keras.layers import AvgPool2D, Conv2D, BatchNormalization, Activationfrom tensorflow.keras import Modelfrom tensorflow.keras.activations import sigmoid
文章介绍了卷积神经网络（CNN）在 TensorFlow 中的实现，首先解释了神经网络的基本概念，如前向传播、反向传播和更新规则。接着，介绍了卷积神经网络的关键组成部分——卷积层和池化层，讲解了它们如何通过卷积核提取局部特征并减少数据维度，提升图像处理效果。文章还通过 MNIST 数据集展示了如何使用 TensorFlow 构建经典神经网络和卷积神经网络，并比较了两者在图像分类任务中的表现，凸显了
这个是因为安装了8.1.1版本的cudnn而tensorflow 2.11.0匹配的是 8.1.0。但是也会存在一些问题，就是电脑上同时安装了多个CUDA版本的库，同时也安装了多个cudnn的库，导致即使安装了正确的库也没有办法正确识别。错误的解决方法，简单来说就是tensorflow和cuda以及cudnn，keras还有nvidia驱动之间的版本要对应，参考。如上所示是既有链接到8.1.0的也
近日看到了有关增量学习的理解，一开始以为增量学习就是Keras中的fit_genetor,相当于分批次进行学习，防止数据量太大造成内存崩溃而无法学习，并且增量学习可以结合pandas中每次读取一定数目的数据的功能来进行传统机器学习（SVM，lightgbm等）和神经网络的学习。后来了解到增量学习分为三种：增量学习可以分为3类：样本增量学习（SIL），类别增量学习（CIL），特征增量学习（F...
文章目录前言一、什么是语义分割二、Unet1.基本原理2.读入数据总结前言最近由于在寻找方向上迷失自我，准备了解更多的计算机视觉任务重的模型。看到语义分割任务重Unet一个有意思的模型，我准备来复现一下它。一、什么是语义分割语义分割任务，如下图所示：简而言之，语义分割任务就是将图片中的不同类别，用不同的颜色标记出来，每一个内别使用一种颜色。二、Unet1.基本原理什么是Unet，它的网络结构如下图
框架：keras数据集：CIFAR10模型：vgg16注：vgg16模型的输入图像尺寸至少为 48*481.模型结构Layer (type)Output ShapeParam #input_1 (InputLayer)(None, 64, 64, 3)0block1_conv1 (C...
预训练网络
"""Created on 2020/11/29 19:45.@Author: yubaby@anne@Email: yhaif@foxmail.com"""from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D,BatchNormalization, Activationfrom tensorflow...
时间序列预测任务可以按照不同的方法执行。最经典的是基于统计和自回归的方法。更准确的是基于增强和集成的算法，我们必须使用滚动周期生成大量有用的手工特性。另一方面，我们可以使用在开发过程中提供更多自由的神经网络模型，提供对顺序建模的可定制的特性。循环和卷积结构在时间序列预测中取得了巨大的成功。该领域中有趣的方法是通过采用最初在NLP中本地的Transformers和Attention架构。图结构的使用
语义分割：FCN和UNet
可视化图像中类激活的热力图：有助于理解图像的哪个部分被识别为属于某个类别，从而可以定位图像中的物体。这对于我们判断网络是否学到了真正有含义的表示非常有意义。
迁移学习和微调是深度学习中的关键技术。迁移学习利用预训练模型的知识加速新任务的学习，而微调则通过解冻并重新训练部分或全部层来优化模型以适应新任务。这两种技术特别适用于标注数据稀缺或计算资源有限的场景，能够显著提高模型在新任务上的训练效率和性能。结合使用迁移学习和微调，深度学习模型能够更有效地处理各种复杂任务，并在各种应用场景中取得优异的结果。
本文主要讲述如何使用keras来微调VGG16模型在kaggle的猫狗大战的数据集上实现迁移学习，精度达到了97%，在多训练几个epoch会更高，如果本文有错误的地方欢迎大家斧正，有什么问题也欢迎大家与我交流讨论。一、对数据集进行预处理首先在kaggle的官网下载猫狗的数据集https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-editio...
之前博客https://blog.csdn.net/jiugeshao/article/details/112093981中提到，接下来主精力还是先放在深度学习分类，检测，分割算法上面。之前虽然也对各算法做过了解，但没有一一用代码实现过，博主想花一段时间把这些算法大概实现下。就从FCN开始吧，博主当前电脑的环境配置也大概说下：Anaconda3的python环境tensorflow2.3.1cud
采用预训练模型，设置trainable为False的时候得排除BN，不然会出问题。for layer in backbone.layers:if not isinstance(layer, BatchNormalization):layer.trainable = False网上相关讨论:https://github.com/keras...
前腾讯电子签的前端负责人，现 whentimes techCTO，专注于前端技术的大咖一枚！一路走来，从小屏到大屏，从 Web 到移动，什么前端难题都见过。热衷于用技术打磨产品，带领团队把复杂的事情做到极简，体验做到极致。喜欢探索新技术，也爱分享一些实战经验，帮助大家少走弯路！温馨提示：可搜老码小张公号联系导师。
四个在编写预训练模型时遇到的问题
以下是使用ResNet50进行微调以识别特定的新东西的代码演示。将使用TensorFlow和Keras进行这个任务。数据集下载地址，解压到工程里面去：原始代码：```解析安装必要的库：导入库：加载ResNet50模型，并去掉顶层：添加自定义顶层：冻结base_model的所有卷积层：编译模型：准备数据：假设数据存储在和中，并且每个类有一个文件夹。训练模型：解冻部分或全部的卷积层并继续训练：在这段
首先，大家应该了解下什么是生成式AI，合成数据及合成数据的一些方法。大家可以自行搜索或通过下面链接了解。合成数据平台：释放生成式人工智能对结构化数据生成的力量-今日头条 (toutiao.com)基于GAN的结构化合成数据生成-今日头条 (toutiao.com)今天我们主要介绍SDV实现数据生成的方法，SDV是the Synthetic Data Vault的缩写，在Python中有相应的包可以
图像分类，也可以称作图像识别，顾名思义，就是辨别图像中的物体属于什么类别。核心是从给定的分类集合中给图像分配一个标签的任务。实际上，这意味着我们的任务是分析一个输入图像并返回一个将图像分类的标签。在这里，我们将分别自己搭建卷积神经网路、迁移学习分别对图像数据集进行分类。本篇使用的数据集下载地址为：链接：https://pan.baidu.com/s/1soJXb2_UJKeHYT0mpec2Fw提
Keras注意力机制注意力机制导入安装包加载并划分数据集数据处理构建模型main函数注意力机制从大量输入信息里面选择小部分的有用信息来重点处理，并忽略其他信息，这种能力就叫做注意力（Attention）。分为 聚焦式注意力和基于显著性的注意力：聚焦式注意力（Focus Attention）：自上而下的、有意识的注意力。指有预定目的、依赖任务的、主动有意识地聚焦于某一对象的注意力。基于显著性的注意力
本文主要是介绍博主最近在ubuntu环境下配置训练深度神经网络软件anaconda+tensflow+pytorch+cuda+cudnn+python+keras，一些安装步骤和遇到bug,仅供大家交流
kaggle的人类蛋白图谱图像分类的比赛告一段落了，终于有时间闲下来写写这一路走来填的坑了。keras的版本是2.2.4有没有小伙伴遇到过用keras的InceptionV3、ResNet50等含有BN层的模型做迁移学习训练集和验证集结果相差很大的问题，例如下面这样：Epoch 1/201500/1500 [==============================] - 24s...
python和opencv的配置安装：Anaconda全家桶，直接百度搜索anaconda进入官网下载需要的版本就可以下载安装（比较大，可以下载到D盘或其他盘）本次介绍以Anaconda3为例。（所有需要使用pip install 安装时均可以使用源，并使用。如果没有安装则直接在scripts下输入pip install（ 加名称）==（加版本号）（或使用源安装会快些）等待自动安装即可。也可到这
最近忽然看到不是基于kaldi的ASR代码，尝试了一下发现效果还不错，搬上来记录一下。
TensorFlow 2.x与Keras深度集成，为深度学习开发提供了更简单直观的体验。文章介绍了TensorFlow 2.x的核心改进：默认Eager Execution模式、Keras优先策略和简化的API。通过MNIST手写数字识别案例，展示了如何使用Sequential模型构建神经网络，包括数据预处理、模型编译（优化器、损失函数设置）、训练评估等完整流程。最后还介绍了模型保存方法及Tens
一个被标记的训练数据集是指其中每个训练实例（或样本）都同时包含了：输入数据（特征，Features）：描述该实例的一组属性。期望输出（标签，Label 或 目标，Target）：我们希望模型为该输入预测的正确结果。例如：在一个垃圾邮件分类器中，一个被标记的数据集包含成千上万封邮件。对于每一封邮件：**输入（特征）：**可能是邮件的发件人、标题、正文内容等。
Keras 不仅仅是一个库，更是一种哲学：**让所有人都能轻松使用深度学习**。它最初作为一个独立项目，现已成为 TensorFlow 的官方高层 API (`tf.keras`)。Keras 3.0 的发布更是里程碑式的一步，它实现了对 JAX、TensorFlow 和 PyTorch 等多个后端的支持，让开发者可以在熟悉的 Keras API 下，自由切换底层计算引擎，兼顾了开发的便捷性与部署
近年来出现的概率数据结构如HyperLogLog，仅用1.5KB内存即可完成十亿级基数的统计，误差控制在2%以内，体现了空间优化算法的巨大潜力。这些创新结构克服了单机存储限制，使得PB级数据的高效管理成为可能，成为云计算平台的核心技术支撑。Google的Pregel模型采用以顶点为中心的计算范式，通过消息传递机制实现分布式图计算，支持对千亿顶点规模的图进行迭代分析。Apache Kafka的日志结
本文提出了一种基于深度强化学习(DQN)的智能停车分配系统。针对城市停车难问题，通过将停车分配建模为马尔可夫决策过程，设计了包含全局交通状态、停车场信息和车辆请求的状态空间，以及停车场分配动作空间。采用DQN算法，结合经验回放和目标网络技术，实现了动态最优停车分配策略。实验结果表明，相比传统最近分配、随机分配等基线方法，DQN方案能显著降低平均寻泊时间，提高停车场利用率。文章还讨论了当前模拟环境的
从Lambda表达式到Coroutine，C++异步编程的演进之路清晰地展示了语言设计者致力于降低并发编程复杂度的不懈努力。Lambda解决了匿名回调的便利性问题，Future/Promise引入了结构化的异步结果处理，而Coroutine则从根本上改变了异步代码的编排方式，让开发者能够专注于业务逻辑而非复杂的控制流。尽管Coroutine的学习曲线相对陡峭，并且需要理解其背后的机制（如Await
流水线如同一条现代化的装配线，代码作为原材料进入，经过编译、测试、安全扫描、打包、部署等一系列自动化工序，最终成为可上线的高质量产品。DevSecOps将安全（Security）实践左移，在流水线的早期阶段（如代码扫描、依赖检查）就引入安全控制，使安全成为每个人的责任，而不仅仅是最后阶段的“守门员”。展望未来，随着云原生、人工智能等技术的发展，流水线将变得更加智能和自适应，能够更好地优化资源、预测
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
摘要：本研究基于Keras框架开发深度学习图像分类系统，采用"数据驱动-模型构建-优化-实现"的技术路线。研究构建多模态图像数据集，设计改进的CNN架构并引入残差连接，开发了集成训练、调优和可视化模块的端到端分类系统。实验表明系统具有较高分类精度和鲁棒性。未来可探索Transformer架构、跨领域迁移学习等技术深化研究。系统采用Python/Django+Vue.js技术栈实
本文介绍了使用Keras框架实现MNIST手写数字识别的完整流程。作者首先说明了Keras在深度学习中的便利性，并详细讲解了从数据导入、可视化、预处理到模型构建的训练过程。文中使用包含卷积层、池化层和全连接层的CNN网络结构，通过2个epoch训练即可达到96%以上的准确率。文章还展示了模型评估和预测的具体方法，适合深度学习新手快速入门MNIST手写数字识别项目。完整代码参考了GitHub开源项目
TensorFlow 与 Keras 的组合为深度学习开发者提供了从入门到专家的完整路径。无论你是刚开始学习的新手，还是需要部署大规模生产系统的专家，这个技术组合都能满足你的需求，真正实现了"易学易用，功能强大"的理想目标。
基于keras框架的LSTM深度学习神经网络手写字识别系统源码
keras
——keras
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
乐奇 Rokid 开放社区
天工造物局
码道开发者社区
亚马逊云科技技术品牌专区
