登录社区云，与社区用户共同成长
邀请您加入社区
TensorFlow、PyTorch与Keras是深度学习的三大主流工具。Keras现为TensorFlow的高级API（tf.keras），而非独立框架。TensorFlow（含tf.keras）适合快速原型开发和生产部署，尤其在移动端和标准化任务中优势明显；PyTorch则以灵活性和动态计算图见长，是学术研究和前沿模型开发的首选。实际选型应基于需求：企业级MLOps和部署优先选TensorFl
最近老山在研究在modelarts上部署mask-rcnn，源代码提供的是keras模型。我们可以将keras转化成savedModel模型，在TensorFlow Serving上部署，可参考老山的上篇部署文章。至于输入和输出张量，到已经预先存在model.input和model.output中了。不...
KerasTuner是一款专为深度学习设计的超参数优化工具，支持贝叶斯优化、Hyperband和随机搜索算法。开发者可轻松定义搜索空间，在模型构建代码中直接嵌入超参数采样逻辑。框架提供端到端解决方案，从模型定义（如卷积层数、滤波器数量、学习率等）到分布式训练，并支持自定义训练循环和Scikit-learn模型调优。通过内置算法自动寻找最优参数组合，显著提升模型性能，同时保持代码简洁性。其分布式架构
可以看出，在load_data()时才开始下载，那么下载后的mnist.npz放在哪了？我原以为保存到Anaconda env安装的目录下，结果不是，而是被放在了“C:\Users\[当前登录用户]\.keras\datasets”下面。同样，下载的预训练模型会被放在“C:\Users\[当前登录用户]\.keras\models”下面，比如我下载的resnet50模型“resnet50_weig
Keras与PyTorch核心对比摘要（150字） Keras（TensorFlow）和PyTorch代表深度学习两大范式。Keras以高层API简化开发，适合快速原型和生产部署，提供TensorFlow Lite/TFX等工业级工具。PyTorch以动态图和Pythonic风格著称，在研究和大模型训练（如LLM）中占主导，支持灵活调试与前沿创新。 选型建议： 选择Keras：移动端部署、标准化任
Keras 通过 **TensorFlow 的 `tf.distribute.Strategy` API** 实现分布式训练，只需少量代码修改即可将单机训练扩展到多 GPU/TPU/多机集群。本文详解所有策略、实现模板及最适合分布式训练的模型类型。
摘要： Keras通过TensorFlow Lite在移动端部署具有显著优势，包括无缝模型转换、极致轻量化（量化后体积减少4-10倍）、跨平台硬件加速（NNAPI/Metal提升2-8倍）和动态更新能力。实战策略涵盖：1）选用MobileNet等移动友好架构；2）应用量化与剪枝优化（INT8量化使模型缩小至3.6MB）；3）硬件适配（Android NNAPI/iOS Metal加速）；4）集成预
本文提供了三种Keras时间序列预测的完整实现方案，涵盖单变量预测（LSTM基础版）和多变量多步预测（Transformer进阶版）。主要内容包括：1）数据预处理与时间窗口创建；2）模型构建（LSTM/Transformer架构）；3）训练优化与早停策略；4）预测结果评估与反归一化处理。文章特别强调了时间序列预测中的关键注意事项，如保持时间顺序、避免数据泄露等问题，并提供了详细的代码注释和常见陷阱
摘要：项目遇到TensorFlow(2.19.0)与Keras3.1.0及TensorFlow Probability版本不兼容问题。解决方法包括：1)卸载独立Keras包；2)安装兼容版本组合（TensorFlow2.12.和TFP0.20.）。该问题源于Keras3的重大架构变更导致向后不兼容，需特别注意深度学习框架的版本匹配。（字数：150）
将Java与Kubernetes生态深度整合，利用Spring Cloud Alibaba、Quarkus等工具链，配合GraalVM容器镜像快速部署，实现从开发到生产的全链路效率提升。从“功能编程式开发”向“反应式系统思维”转型，采用Project Loom的Continuation协同实现纯粹无阻塞流水线，其代码简洁度与吞吐量达到传统方案的2倍以上。本文通过战略视角重新解构Java技术生态，揭
在STM32CubeMX中导入深度学习模型需要借助X-Cube-AI扩展包。在详细配置之前，需要先导入自己的芯片信息：之后，需要进行系统时钟，GPIO等的详细配置，都到神经网络部署了，相信你能够配置好自己的工程,下面是我的配置图：至此，你已经完成了所有准备工作，继续前进！！！
本文总结了多变量线性回归的核心概念和方法，并利用Keras库搭建算法进行实战应用。主要内容包括：1）多维特征的表示方法；2）多变量梯度下降算法，通过迭代优化损失函数；3）特征缩放技术（如Z-score标准化）可加速收敛；4）学习率的选择策略及影响；5）多项式回归的灵活应用；6）正规方程作为梯度下降的替代解法，7）还提供了Python实现线性回归算法，利用Keras库搭建。
xxx\Lib\site-packages\keras\src\layers\core\dense.py:87: UserWarning: Do not pass an input_shape/input_dim argument to a layer. When using Sequential models, prefer using an Input(shape) object as the
常见选项：‘zeros’、‘ones’、‘random_normal’、‘random_uniform’、‘truncated_normal’、‘lecun_uniform’、‘he_normal’、‘he_uniform’ 等，也可以是初始化器对象。默认值：‘glorot_uniform’ (对于 kernel_initializer)，‘orthogonal’ (对于 recurrent_in
在实际应用场景中，由于训练数据集不足，所以很少有人会从头开始训练整个网络。普遍的做法是，在一个非常大的基础数据集上训练得到一个预训练模型，然后使用该模型来初始化网络的权重参数或作为固定特征提取器应用于特定的任务中。本章将使用迁移学习的方法对ImageNet数据集中的狼和狗图像进行分类。迁移学习详细内容见。
本文为《Python深度学习》的学习笔记。第2章 神经网络的数学基础2.1 初识神经网络完整代码2.2 神经网络的数据表示2.2.1 标量（0D张量） 2.2.2 向量（1D张量） 2.2.3 矩阵（2D张量） 2.2.4 3D张量和更高维张量2.2.5 关键属性 2.2.6 在Numpy中操作张量 2.2.7 数据批量的概率 2.2.8...
本文提供了三种Keras文本生成实现方案：1)字符级RNN文本生成（适用于短文本），2)词级Transformer文本生成（适用于长文本），3)GPT风格生成（工业级应用）。文章包含完整代码、逐行解析和优化技巧，涵盖从数据预处理到模型构建、训练和部署的全流程。关键技术点包括状态LSTM处理、Transformer架构实现、温度参数控制生成多样性等，所有代码基于TensorFlow 2.x和tf.k
原文出处：拓端抖音号@拓端tecdat2025年定调！有色金属迎来“新质生产力”元年，这三大主线谁最受益？全球能源转型与AI算力革命，共同构成了我们这个时代最宏大的叙事。而支撑这两大叙事落地的，不是别的，正是看似“传统”的有色金属。2025年，是“十五五”规划承上启下的关键之年，也是全球资源博弈与科技革命加速共振的一年。有色金属行业，正从“量的扩张”全面转向“质的重构”。本报告洞察基于以及荣续ES
本文系统介绍了Keras的五大核心组件及其应用场景。主要内容包括：1）模型构建的两种方式（Sequential和Functional API）及适用场景；2）各类层（核心层、卷积层、循环层等）的功能与典型应用；3）数据处理方法（tf.data和预处理层）；4）训练配置（优化器、损失函数选择）；5）回调函数的使用。最后通过图像分类任务展示了端到端工作流程。Keras通过模块化设计简化了深度学习模型的
Keras 自 TensorFlow 2.0 起已成为其官方高级 API（`tf.keras`），因此本指南以 **TensorFlow + Keras** 为核心，覆盖从模型导出、优化到生产级服务部署的完整流程，适用于 **Ubuntu/CentOS/RHEL** 等主流发行版，并支持 **CPU/GPU 推理**
摘要： 本文详细介绍了在 MacOS 上部署 Keras 模型的完整流程，特别针对 Apple Silicon（M1/M2/M3）芯片优化。涵盖环境配置（原生 ARM64 Python、TensorFlow-Metal 加速）、模型导出（SavedModel/TFLite/Core ML/ONNX）及三种部署方案：本地 Flask 服务、TensorFlow Lite + Core ML（利用 A
摘要： 本指南详细介绍了在Windows系统上部署Keras模型的完整流程。主要内容包括：1) 环境配置，推荐使用Python 3.9-3.11和TensorFlow 2.15+，其中GPU推理需通过WSL2实现；2) 模型导出方法，包含SavedModel（生产标准）、TensorFlow Lite（移动端）和ONNX（跨框架）三种格式转换；3) 两种部署方案：原生Windows Flask服务
本研究基于Keras框架开发深度学习图像分类系统，采用Python+Django+Vue.js技术栈构建端到端解决方案。研究重点包括：1）构建多源图像数据集并实施数据增强；2）设计改进的CNN架构，引入残差连接和学习率动态调整；3）开发可视化交互系统，集成模型训练、评估与决策展示功能。实验表明系统具有较高的分类精度和鲁棒性。未来可探索Transformer架构、迁移学习等方向。系统采用模块化设计，
**Keras** 是一个用 Python 编写的**高级神经网络 API**，其核心设计理念是 **用户友好、模块化、可扩展**。它最初由 Google 工程师 **François Chollet** 于 2015 年开发，旨在让深度学习研究者和开发者能够**快速构建、训练和评估模型**，而无需陷入底层框架（如 TensorFlow、Theano）的复杂细节。
通过本文的介绍，我们看到了电动汽车再生制动系统从理论到实践的全过程。从简单的能量回收，到复杂的控制策略，每一个细节都凝聚着工程师们的智慧。未来，随着控制算法的不断优化和硬件技术的进步，再生制动系统必将发挥更大的作用，为电动汽车的续航里程保驾护航。
CamSP1-21cnn_training41/79 [==============>...............] - ETA: 0s - loss: 0.0348 - acc: 0.8833Traceback (most recent call last):File "D:/PhD Research/My Paper/the two origin models/AbaqusParame
写在前面：本文只是用于自己和帮助他人学习的目的！本文提供大篇幅的代码（一个完整的工程）！但是有些地方并不会讲的非常详细，我只提供学习方法！如果能够完整地看完我的博文，做其他的项目应该也可以很快上手！我的代码是直接从我下colab项目种复制下来的，所以可以在colab中直接使用不用修改，并且在本文种教大家如何使用Google 的colab白嫖算力！
然而，当模型在资源受限的边缘设备（如移动终端、IoT传感器）上加载耗时超过1秒时，用户体验将瞬间崩塌——这不仅是性能问题，更是实时性应用的生死线。本文将深入剖析Keras模型加载的瓶颈、前沿优化技术，并展望其在边缘计算时代的革命性应用，揭示一个被行业忽视的“隐形加速器”。Keras模型加载速度的优化绝非技术细节，而是AI从“实验室”走向“生活”的关键桥梁。：在频繁启动的应用中（如语音助手），缓存机
1.tensorflow2.0的安装windows ：CPU版本：pip install tensorflow 注意：确保pi版本不低于19.0GPU版本：英伟达显卡（算力3.0以上，算力检测在英伟达官网）显卡驱动410.x以上 anaconda prompt 输入：conda install tensorflow-gpu==2.0.0若在notebook中import tens...
Keras是一个用Python编写的高级神经网络API，能够以TensorFlow、CNTK或Theano作为后端运行。文章详细介绍了使用Keras构建神经网络的步骤：首先通过Sequential()创建模型容器，添加输入层、隐藏层和输出层；然后配置损失函数、优化器和评估指标；接着通过mini-batch梯度下降训练模型，解释了大批量和小批量的选择原理；最后展示了模型评估和预测的方法，并以手写数字
本研究基于Keras框架开发深度学习图像分类系统，通过构建多模态数据集、优化CNN架构（引入残差连接和动态学习率调整）和建立多粒度评估体系，实现了高精度分类。系统集成数据预处理、模型训练和可视化决策模块，采用Python+Django+Vue技术栈开发，测试显示良好性能。未来可探索Transformer架构、跨领域迁移学习和量子优化算法等方向。
真正用的时候，你得根据自己机器人的运动模型、传感器特性去调整，甚至混合几种方法。它不搞线性化，而是选一组叫 sigma 点的样本，让它们经过真实非线性模型传递，再用这些点重建高斯分布。但两者都是基于高斯假设，如果分布是多峰的（比如机器人可能在两个相似走廊中的任意一个），粒子滤波（PF）就更合适。粒子滤波用一堆粒子表示后验分布，每个粒子是一个状态假设，通过运动模型传播，再用传感器观测给粒子赋权重，重
KSoft物联网云平台是一款基于Java语言开发的企业级物联网系统，集设备管理、数据采集、规则报警、视频监控、用户权限等功能于一体。平台采用作为核心框架，结合MQTT协议实现设备通信，支持多数据源代码一键生成前后端分离等现代化开发特性，适用于智能家居、工业物联网、农业监测等多种场景。KSoft物联网云平台是一款功能完备、技术先进、易于二次开发的企业级物联网解决方案。其模块化设计、代码生成能力、权限
本文对比了二自由度机械臂的 RBF 自适应控制和传统滑模控制方法。通过理论分析和仿真实验，发现 RBF 自适应控制在面对模型不确定性时表现更好，而滑模控制在鲁棒性方面表现更优。因此，选择哪种方法取决于具体应用的需求。以上为博文的完整内容，涵盖了理论分析、代码实现和对比结果。
光面爆破模拟最怕“理想很丰满，现实很骨感”。CAD导进来的模型经常有破面，ANSYS里记得用。
然而，随着Keras Tuner（一个开源超参数优化库）的持续进化，调参速度已从“瓶颈”跃升为“加速器”。本文将深度解析Keras Tuner如何实现“超快调参”，不仅聚焦技术实现，更从多维度揭示其对AI研发价值链的重构意义。未来，随着AutoML与Keras Tuner的深度融合，调参将从“人工优化”进化为“智能自适应”。某医疗影像公司采用后，模型在真实场景的AUC提升1.8%，验证了“速度=质
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。
使用keras的evaluate()函数在数据集上评估模型，操作很简单，代码如下所示：将特征值数据X和标签值数据Y传递给evaluate()函数，函数将评估结果返回给scores，包括平均损失和配置的其他指标，例如准确率指标。输入的X是n行*8列，输出层是1个神经元，则.predict(X)的输出是n行*1列的二维数组，例如[[0.05], [0.98], [0.49]]。编译操作很简单，只需要一
来源于官方函数，input_shape=[160,160,3],classes=16Layer (type)Output ShapeParam #Connected to========================================================...
TypeError: fit() got an unexpected keyword argument 'nb_epoch'
keras.utils.to_categorical函数
keras
——keras
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
昇腾开源生态专区
开源鸿蒙跨平台开发者社区
AtomGit开源社区
九章云极普惠算力
openvela
魔乐社区
