【导读】这篇博文介绍了如何在深度学习框架Keras上实现文本摘要问题，探讨了如何使用编码器-解码器递归神经网络体系结构来解决文本摘要问题，如何实现文本摘要问题的不同的编码器和解码器，博文通俗易懂，专知内容组整理出来，希望大家喜欢。 Encoder-DecoderModels for Text Summarization in Keras 用Keras实现基于Encoder-Decoder的文本自动摘要 作者：Jason Brownlee 译者：专知内容组 ▌文本摘要概述 ---- 文本摘要是从一个源文档中
Python对数据科学如此重要的原因之一是它海量的数据分析和可视化库。在本文中，我们讨论了最受欢迎的一些。
Machine Learning Mastery 计算机视觉教程 通道在前和通道在后图像格式的温和介绍 深度学习在计算机视觉中的 9 个应用 为 CNN 准备和扩充图像数据的最佳实践 8 本计算机视觉入门书籍 卷积层在深度学习神经网络中是如何工作的？ DeepLearningAI 卷积神经网络课程（复习） 如何在 Keras 中配置图像数据扩充 如何从零开始为 CIFAR-10 照片分类开发 CNN 用于 Fashion-MNIST 服装分类的深度学习 CNN 如何为 MNIST 手写数字分类开发 CNN
Machine Learning Mastery 机器学习算法教程 机器学习算法之旅 利用隔离森林和核密度估计的异常检测 机器学习中的装袋和随机森林集成算法 从零开始实现机器学习算法的好处 更好的朴素贝叶斯：从朴素贝叶斯算法中收益最大的 12 个技巧 机器学习的提升和 AdaBoost 选择机器学习算法：Microsoft Azure 的经验教训 机器学习的分类和回归树 什么是机器学习中的混淆矩阵 如何使用 Python 从零开始创建算法测试工具 通过创建机器学习算法的目标列表来获得控制权 机器学习中算法
2020年3月9日，谷歌人工智能确认了TensorFlow Quantum (TFQ)的可用性，它是一个用于快速研发量子机器学习模型的开源库。
Keras是Python中一个的强大而易用的库，主要用于深度学习。在设计和配置你的深度学习模型时，需要做很多决策。大多数决定必须通过反复试错的方法来解决，并在真实的数据上进行评估。因此，有一个可靠的方
TensorFlow 2.0有一个很友好的地方，就是提供了多种不同的抽象方式，可以根据自己的需求来选择。这些API分成两种风格：
机器学习很复杂。你可能会遇到一个令你无从下手的数据集，特别是当你处于机器学习的初期。 在这篇文章中，你将学到一些基本的关于建立机器学习模型的技巧，大多数人都从中获得经验。这些技巧由Marios Mic
原文地址：https://blog.keras.io/how-convolutional-neural-networks-see-the-world.html
随着深度学习算法的不断发展和应用，研究者们不断提出新的网络结构来解决各种问题。其中，分层聚类网络（Hierarchical Clustering Networks）是一种基于分层聚类思想的深度学习算法，能够有效地处理复杂的数据集和任务。本文将介绍分层聚类网络的基本原理、优势以及应用领域。
人工神经网络表示一类机器学习的模型，最初是受到了哺乳动物中央神经系统研究的启发。网络由相互连接的分层组织的神经元组成，这些神经元在达到一定条件时就会互相交换信息（专业术语是激发（fire））。最初的研究开始于20世纪50年代后期，当时引入了感知机（Perceptron）模型。感知机是一个可以实现简单操作的两层网络，并在20世纪60年代后期引入反向传播算法（backpropagation algorithm）后得到进一步扩展，用于高效的多层网络的训练。有些研究认为这些技术起源可以追溯到比通常引述的更早的时候。直到20世纪80年代，人们才对神经网络进行了大量的学术研究，那时其他更简单的方法正变得更加有用。然后，由于G.Hinton提出的快速学习算法，以及2011年前后引入GPU后使大量数值计算成为可能，开始再度出现了神经网络研究的热潮。
本文介绍了如何利用Keras框架开发基于序列数据的循环神经网络模型，并给出了一个序列到序列预测问题的实例。首先介绍了如何定义一个简单的编码器-解码器模型，然后利用Keras的Sequential模型定义了一个基于LSTM的编码器-解码器模型，最后利用Keras的Dataset API从数据集中加载数据并划分训练集和测试集。在划分数据集之后，使用Keras的Sequential模型定义了一个基于LSTM的编码器-解码器模型，并使用Keras的Keras Tuner对模型进行超参数调优。最后，使用Keras的Keras Tuner对模型进行超参数调优，并使用测试集对模型进行评估。实验结果表明，该模型在序列到序列预测问题上的性能优于传统的循环神经网络模型。
在本文中，我们将深入探讨深度学习的核心概念和原理，以及如何使用Python和TensorFlow库构建和训练神经网络。我们将从基础开始，逐步介绍神经网络的结构、前向传播、反向传播和优化方法，以便读者能够深入理解并开始实际编写深度学习代码。
本文有代码； 本文作者：Francois Chollet 使用Keras探索卷积网络的滤波器 本文中我们将利用Keras观察CNN到底在学些什么，它是如何理解我们送入的训练图片的。我们将使用Keras
参与方式：https://github.com/apachecn/interpretable-ml-book-zh/blob/master/CONTRIBUTING.md
如果你以 TensorFlow 或 CNTK 后端运行，只要检测到任何可用的 GPU，那么代码将自动在 GPU 上运行。
Keras库提供了一种在训练深度学习模型时计算并报告一套标准度量的方法。 除了提供分类和回归问题的标准度量外，Keras还允许在训练深度学习模型时，定义和报告你自定义的度量。如果你想要跟踪在训练过程中更好地捕捉模型技能的性能度量，这一点尤其有用。 在本教程中，你将学到在Keras训练深度学习模型时，如何使用内置度量以及如何定义和使用自己的度量。 完成本教程后，你将知道： Keras度量的工作原理，以及如何在训练模型时使用它们。 如何在Keras中使用回归和分类度量，并提供实例。 如何在Keras中定义和使用
本文为 AI 研习社编译的技术博客，原标题 ： Report on Text Classification using CNN, RNN & HAN 翻译 | 小猪咪、莫尔•约瑟夫、M.Y. Li
https://machinelearningmastery.com/5-step-life-cycle-neural-network-models-keras/
使用Python的Keras库可以很容易创建和评测深度学习神经网络，但是您必须遵循严格的模型生命周期。
我将借鉴自己的经验，列出微调背后的基本原理，所涉及的技术，及最后也是最重要的，在本文第二部分中将分步详尽阐述如何在 Keras 中对卷积神经网络模型进行微调。
来源：机器之心 本文长度为2698字，建议阅读4分钟 本文通过构建同一个神经网络，对比当前最流行的 10 种深度学习框架。 [ 导读 ]近日，Ilia Karmanov 在 Medium 发表了一篇题为《Neural Net in 10 Frameworks (Lessons Learned)》的文章，其内容源自一个 GitHub 项目，其中作者通过构建同一个神经网络，对比了当前最流行的 10 种深度学习框架，其中 Caffe2 和 MXNet 在准确度和训练时长上处于领先位置。该项目甚至还得到了 FA
选自Medium 作者：Ilia Karmanov 机器之心编译 参与：路雪、黄小天 近日，Ilia Karmanov 在 Medium 发表了一篇题为《Neural Net in 10 Frameworks (Lessons Learned)》的文章，其内容源自一个 GitHub 项目，其中作者通过构建同一个神经网络，对比了当前最流行的 10 种深度学习框架，其中 Caffe2 和 MXNet 在准确度和训练时长上处于领先位置。该项目甚至还得到了 FAIR 研究者、各大框架创始人（比如贾扬清）的支持。机器
近日，Ilia Karmanov 在 Medium 发表了一篇题为《Neural Net in 10 Frameworks (Lessons Learned)》的文章，其内容源自一个 GitHub 项目，其中作者通过构建同一个神经网络，对比了当前最流行的 10 种深度学习框架，其中 Caffe2 和 MXNet 在准确度和训练时长上处于领先位置。该项目甚至还得到了 FAIR 研究者、各大框架创始人（比如贾扬清）的支持。机器之心对该文进行了编译。 项目GitHub链接：https://github.com/i
可视化有助于解释和理解深度学习模型的内部结构。通过模型计算图的可视化可以弄清楚神经网络是如何计算的，对于模型的可视化主要包括以下几个方面：
dropout技术是神经网络和深度学习模型的一种简单而有效的正则化方式。 本文将向你介绍dropout正则化技术，并且教你如何在Keras中用Python将其应用于你的模型。 读完本文之后，你将了解： dropout正则化的原理 如何在输入层使用dropout 如何在隐藏层使用dropout 如何针对具体问题对dropout调优 神经网络的Dropout正则化 Dropout是Srivastava等人在2014年的一篇论文中提出的一种针对神经网络模型的正则化方法 Dropou
这是我们在iki项目工作中的一系列技术文章中的第一篇，内容涵盖用机器学习和深度学习技术来解决自然语言处理与理解问题的一些应用案例。
在TensorFlow2.0中，Keras是一个用于构建和训练深度学习模型的高阶 API。因此如果你正在使用TensorFow2.0，那么使用Keras构建深度学习模型是您的不二选择。在Keras API中总共有如下三大块：
下面划重点：因为MNIST使用的是黑底白字的图片，所以你自己手写数字的时候一定要注意把得到的图片也改成黑底白字的，否则会识别错（至少我得到的结论是这样的 ，之前用白底黑字的图总是识别出错）
参与方式：https://github.com/apachecn/stanford-cs224n-notes-zh/blob/master/CONTRIBUTING.md
Keras库提供了一套供深度学习模型训练时的用于监控和汇总的标准性能指标并且开放了接口给开发者使用。
批处理规范化背后的主要思想是，在我们的案例中，我们通过使用几种技术（sklearn.preprocessing.StandardScaler）来规范化输入层，从而提高了模型性能，因此，如果输入层受益于规范化，为什么不规范化隐藏层，这将进一步改善并加快学习速度。
选自AWS 机器之心编译 参与：黄小天、路雪 近日，孵化于 Apache 软件基金会 Apache MXNet 发布了 v0.11.0 最终测试版本，它不仅具有一个 Core ML 模型转换器，同时还支持 Keras v1.2。此外，该版本还包括额外的功能更新、性能提升以及一些修复。你可以从源代码构建 MXNet 从而获取新版本。 Apache MXNet 正在 Apache 软件基金会（ASF）中进行孵化。上周，MXNet 社区为 MXNet v0.11.0 引入了一个最终测试版本，作为一个孵化项目这还是
如果你玩过电子游戏，你就会明白为什么检查点（chekpoint）是有用的了。举个例子，有时候你会在一个大Boss的城堡前把你的游戏的当前进度保存起来——以防进入城堡里面就Game Over了。 机器学
你好，世界！！我最近加入Jatana.ai 担任NLP研究员（实习生and），并被要求使用深度学习模型研究文本分类用例。在本文中，我将分享我的经验和学习，同时尝试各种神经网络架构。我将介绍3种主要算法，例如：
在CPU上训练深度神经网络很困难。本教程将指导您如何使用Google Colaboratory上的Keras微调VGG-16网络，这是一个免费的GPU云平台。如果您是Google Colab的新手，这是适合您的地方，您将了解到：
想要真的了解深度学习，除了看视频，拿数据和算力真枪实弹的练手可能比各种理论知识更重要。
fastText是Facebook于2016年开源的一个词向量计算和文本分类工具，在学术上并没有太大创新。但是它的优点也非常明显，在文本分类任务中，fastText（浅层网络）往往能取得和深度网络相媲美的精度，却在训练时间上比深度网络快许多数量级。在标准的多核CPU上， 能够训练10亿词级别语料库的词向量在10分钟之内，能够分类有着30万多类别的50多万句子在1分钟之内。 本文首先会介绍一些预备知识，比如softmax、ngram等，然后简单介绍word2vec原理，之后来讲解fastText的原理，并
Nuts-ml 是一个新的 Python 数据预处理库，专门针对视觉领域的 GPU 深度学习应用。 它以独立、可复用的单元模块的形式，提供主流数据预处理函数。前者便是“nuts-ml” 里的 “nuts”，开发者可自由将其排列组合，创建高效、可读性强、方便修改的数据流。 对于机器学习项目，数据预处理都是基础。相比实际的机器学习，开发者花在数据预处理上的时间往往还要更多。有的数据预处理任务只针对特定问题，但大多数，比如把数据分割为训练和测试组、给样本分层和创建 mini-batch 都是通用的。下面的
结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析 深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据 用PyTorch机器学习神经网络分类预测银行客户流失模型 PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据 Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化 Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析 R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告 R语言深度学习：用keras神经网络回归模型预测时间序列数据 Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类 R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST） MATLAB中用BP神经网络预测人体脂肪百分比数据 Python中用PyTorch机器学习神经网络分类预测银行客户流失模型 R语言实现CNN（卷积神经网络）模型进行回归数据分析 SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型 【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析 Python使用神经网络进行简单文本分类 R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析 R语言基于递归神经网络RNN的温度时间序列预测 R语言神经网络模型预测车辆数量时间序列 R语言中的BP神经网络模型分析学生成绩 matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类 R语言实现拟合神经网络预测和结果可视化 用R语言实现神经网络预测股票实例 使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测 python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译 用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
Dropout是神经网络和深度学习模型的简单而有效的正则化技术。 在这篇文章中，你将发现Dropout正则化技术，以及如何使用Keras将其应用于Python中的模型。 看完这篇文章后，你会知道： D
我们使用损失函数来计算一个给定的算法与它所训练的数据的匹配程度。损失计算是基于预测值和实际值之间的差异来做的。如果预测值与实际值相差甚远，损失函数将得到一个非常大的数值。
从 CNN，RNN 到 GAN 等，偏入门，但理论和实战部分都讲的还不错，承载着很多作者对深度学习整体性的思考。目前该书的中英文版包括源码见下面的链接：
在解决一个任务时，我会选择加载预训练模型并逐步fine-tune。比如，分类任务中，优异的深度学习网络有很多。
在训练深度学习模型的时候，通常将数据集切分为训练集和验证集．Keras提供了两种评估模型性能的方法：
在这篇文章中，你将发现Dropout正则化技术，以及如何使用Keras将其应用于Python中的模型。
原文：How to Grid Search Hyperparameters for Deep Learning Models in Python With Keras 作者：Jason Brownlee 翻译：刘崇鑫 责编：周建丁（zhoujd@csdn.net） 超参数优化是深度学习中的重要组成部分。其原因在于，神经网络是公认的难以配置，而又有很多参数需要设置。最重要的是，个别模型的训练非常缓慢。 在这篇文章中，你会了解到如何使用scikit-learn python机器学习库中的网格搜索功能调整K
本部分属该两部系列中的第二部分，该系列涵盖了基于 Keras 对深度学习模型的微调。第一部分阐述微调背后的动机和原理，并简要介绍常用的做法和技巧。本部分将详细地指导如何在 Keras 中实现对流行模型 VGG，Inception 和 ResNet 的微调。
领取专属 10元无门槛券
手把手带您无忧上云
