#keras Dépôts
137 dépôts au total
Maîtrisez les compétences essentielles nécessaires pour reconnaître et résoudre des problèmes complexes du monde réel avec l'apprentissage automatique et l'apprentissage profond en tirant parti de l'écosystème Python Machine Learning très populaire.
🔎 Surveillez l'entraînement du modèle d'apprentissage profond et l'utilisation du matériel depuis votre téléphone portable 📱
Deep Learning Avancé avec Keras, publié par Packt
Entraînez efficacement des modèles d'IA sur des images médicales à l'aide de n'importe quel framework
Graphes de réseaux neuronaux et métriques d'entraînement pour PyTorch, Tensorflow et Keras.
🤖 Expériences interactives en Machine Learning : 🏋️entraînement des modèles + 🎨démonstration des modèles
Classification de texte long en chinois, classification de phrases courtes, classification multi-étiquettes, similarité de deux phrases (Chinese Text Classification of Keras NLP, multi-label classify, or sentence classify, long or short), couche d'intégration vectorielle pour caractères/mots/phrases (embeddings) et couche de réseau (graph) classe de base de construction, FastText, TextCNN, CharCNN, TextRNN, RCNN, DCNN, DPCNN, VDCNN, CRNN, Bert, Xlnet, Albert, Attention, DeepMoji, HAN, Réseau de Capsules-CapsuleNet, Transformer-encode, Seq2seq, SWEM, LEAM, TextGCN
Paris sportifs NBA utilisant l'apprentissage automatique
Un kit d'outils pour optimiser les modèles ML pour le déploiement sur Keras et TensorFlow, incluant la quantification et l'élagage.
Modèle d'apprentissage profond de pointe pour analyser le sentiment, les émotions, le sarcasme, etc.
Une version packagée et flexible du détecteur de texte CRAFT et du modèle de reconnaissance Keras CRNN.
CREPE : Une Représentation Convolutive pour l'Estimation du Pitch -- modèle pré-entraîné (ICASSP 2018)
Graphique de la perte d'entraînement en direct dans Jupyter Notebook pour Keras, PyTorch et autres
Une liste soigneusement sélectionnée de ressources impressionnantes de Deep Learning (DL) pour le traitement du langage naturel (NLP)
Une boîte à outils pour iNNvestiguer les prédictions des réseaux de neurones !
ktrain est une bibliothèque Python qui rend l'apprentissage profond et l'IA plus accessibles et plus faciles à appliquer
Implémentation Keras de "One pixel attack for fooling deep neural networks" utilisant l'évolution différentielle sur Cifar10 et ImageNet
:smiley_cat: Modèle d'application de classification d'images joli et simple. Déployez votre modèle entraîné ou un modèle pré-entraîné (VGG, ResNet, Densenet) dans une application web en utilisant Flask en 10 minutes.
Un cadre pour utiliser les LSTMs pour détecter les anomalies dans les données de séries temporelles multivariées. Inclut des données d'anomalies de vaisseaux spatiaux et des expériences des missions Mars Science Laboratory et SMAP.
Une bibliothèque légère "header-only" pour utiliser des modèles Keras (TensorFlow) en C++.
Coloration d'images en noir et blanc avec l'apprentissage profond.
Référentiel de code pour Deep Learning avec Keras publié par Packt
Reconnaissance de gestes via CNN. Implémenté en Keras + Tensorflow/Theano + OpenCV
Entraînement de modèles neuronaux avec des signaux structurés.
Un outil pour convertir les fichiers ONNX en LiteRT/TFLite/TensorFlow, code natif PyTorch (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) et Dynamo ONNX. Il prend également en charge la conversion directe de LiteRT vers PyTorch.
Apprenez le deep learning avec tensorflow 2.0, keras et python grâce à cette série complète de tutoriels sur le deep learning. Apprenez le deep learning à partir de zéro. Série de deep learning pour débutants. Tutoriels tensorflow, tutoriel tensorflow 2.0. tutoriel deep learning python.
Code source lié au projet de reconnaissance des expressions faciales dans la reconnaissance faciale
Un cours d'apprentissage automatique utilisant Python, Jupyter Notebooks et OpenML
Une interface uniforme pour exécuter des modèles d'apprentissage profond provenant de plusieurs frameworks
Deep Speaker : un système d’embedding de locuteur neuronal de bout en bout.
Une collection triée de ressources iOS, ML et AR, agrémentée de quelques ajouts UI.