开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

我如何让kera预测一些不同于单热点矩阵的东西？

要让Keras预测不同于单热点矩阵的东西，可以采用以下步骤：

数据准备：首先，需要准备训练数据和标签数据。与传统的单热点矩阵不同，这里的数据可以是任意形式的，例如文本、图像、音频等。根据数据的类型，选择适当的数据预处理方法进行特征提取和转换。
模型设计：根据问题的特点和数据类型，选择适当的神经网络模型。Keras提供了丰富的预定义模型和层，也可以自定义模型。根据需要添加合适的层，如卷积层、循环层、全连接层等，并配置相应的参数。
模型编译：在编译模型之前，需要选择适当的损失函数、优化器和评估指标。根据具体问题的要求，选择合适的损失函数来衡量预测结果与真实标签之间的差异，选择合适的优化器来更新模型参数，并选择适当的评估指标来评估模型性能。
模型训练：使用准备好的训练数据和标签数据，通过调用Keras提供的fit()函数进行模型训练。可以指定训练的批次大小、训练轮数等参数，并监控训练过程中的损失和准确率等指标。
模型预测：训练完成后，可以使用训练好的模型进行预测。根据具体的需求，将待预测的数据输入到模型中，调用Keras提供的predict()函数得到预测结果。

总结起来，要让Keras预测不同于单热点矩阵的东西，需要进行数据准备、模型设计、模型编译、模型训练和模型预测等步骤。具体的实现方式和参数配置需要根据具体问题和数据类型进行调整。在实践中，可以参考Keras官方文档和示例代码，结合腾讯云提供的云计算服务，如云服务器、云数据库等，来构建和部署完整的解决方案。

腾讯云相关产品和产品介绍链接地址：

腾讯云服务器（CVM）：https://cloud.tencent.com/product/cvm
腾讯云数据库（TencentDB）：https://cloud.tencent.com/product/cdb
腾讯云人工智能（AI）：https://cloud.tencent.com/product/ai
腾讯云物联网（IoT）：https://cloud.tencent.com/product/iot
腾讯云存储（COS）：https://cloud.tencent.com/product/cos
腾讯云区块链（BCS）：https://cloud.tencent.com/product/bcs
腾讯云元宇宙（Metaverse）：https://cloud.tencent.com/product/metaverse

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

暑期追剧学AI (4) | 人工智能关键概念“神经网络”是什么？不信看完这个视频你还不懂！

虽然硅是一种非常不同于我们头脑中“化学汤”的介质，它们仍然能够复制我们所做的很多事情，超越我们创造的其他东西。...我们的目标是学习这个函数，这样我们就可以随机输入一些X值，该输入数据由一个矩阵表示，其中每行是不同的数据点，每列是它的某个特征，在本例中随机取为1和0。那么我们如何来学习这个映射呢？...我们必须在这里加点别的东西。仅仅说这两个矩阵的乘积就是我们的输出是不够的。不，我们还需要将该输出传递给Sigmoid函数，以将结果归一化或调整为0到1之间的概率值。...我是说，如果排序很重要的话。就像我们试图预测股票价格或按顺序出现的音符一样。那么，我们就需要将前馈网络修改成一个时间递归网络，使之可以学习一个顺序映射。我们可以对矩阵做线性变换。完全如我所料！...他的笔记让我记忆犹新，它阐释了如何在线性回归背景下，利用L2正则化来减少对高阶多项式的过拟合，尤其是应用在电影票房和电影评分的关系上。

3956 0

CNCC2017梳理

早上的论坛可以在爱奇艺下载视频下午的分论坛是多个同时进行的，我也只去了一部分，这里先按时间顺序写自己的一些收获，之后会从另外的角度做一个总结。...，还有更多的东西可以做图像理解，场景理解，问答，场景检索，思维导图生成上一点也适用于视频汤道生让AI服务于人腾讯的AI产品微信语音转文字 QQ视频挂件，QQ扫码转文字天天P图：美颜美妆...，如何发现异常数据高斯模型，低概率区域为异常数据高斯过程学习（非参数模型）生成式↑ 判别式（基于分类）↓ 单类SVM：将原点作为第二类，让超平面离原点尽可能远分类结果差越多（？？）...单类识别，多类识别可扩展方向：性能，稳定性，可解释性，推广性，与人感知的一致性视觉：什么东西在哪里场景理解-知识图谱属性组合挖掘 10-27 pm 语音前沿技术港中文 Man-Computer...（例如聚类中心）生成一个图模型，然后推理出其他图图模型：表示矩阵，邻接矩阵，如何建立，加快相似度计算高效锚图（性能速度+）数学上优化约束条件层次化锚图（速度++）锚点是线性增加的，也会增加得很快

1.4K6 0

一文详解RNN及股票预测实战(Python)！

上一步的输入对下一步的预测是有影响的（如文字预测的任务，以“猫吃鱼”这段序列文字，上一步的输入“猫”--x(0)会影响下一步的预测“吃”--x(1)的概率，也会继续影响下下步的预测“鱼”--x(2)的概率...另外的，RNN神经元在每个时间步上是共享权重参数矩阵的（不同于CNN是空间上的参数共享），时间维度上的参数共享可以充分利用数据之间的时域关联性，如果我们在每个时间点都有一个单独的参数，不但不能泛化到训练时没有见过序列长度..., 2.0]输入全连接的隐藏层，隐藏层的权重矩阵U 为[[0.1, 0.2], [0.3, 0.4], [0.5, 0.6]]，偏置项b1为[0.1, -0.1]，经过隐藏层的矩阵运算为：h(t-1...Reshaping X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1)) print(X_train.shape) 利用kera...创建单隐藏层的RNN模型，并设定模型优化算法adam，目标函数均方根MSE # 利用Keras创建RNN模型 from keras.models import Sequential from keras.layers

1.1K4 0

当AI学会了咪蒙的文风之后……

不小心训练了一个AI学习了咪蒙的文章风格，获取了她的世界观，本文演示下此AI的能力。 1 预测可以预测2个内容。一个是基于咪蒙以往对各种事物/人的描述，提炼出其对事对人的态度/看法，用于预测。...针对最近几天的全网热点事件：军训后走路都不自然了 mh370写给2014的一封信晒被大军五点起床占位微信交学费摇一摇免单不想上幼儿园用袋子背去一生都离不开的调味料个人税后月薪一万在上海是什么样的体验...自如甲醛房数据预测咪蒙会如何取文章的标题。说明：后面的数字是每个答案的准确率，准确越高，结果越可信；基于公众号文章的历史数据的预测，并非本文作者的主观看法。...咪蒙对热点《军训后走路都不自然了》,会这么取标题： 1 挨了两刀后我妈都不认识我了 0.9960410125402304 2 一年一度的虐狗节我却笑了一整夜 0.994565437928774...被摸胸就要报警 0.9212221807729991 4 什么时候最自卑身边人被夸的时候 0.9209637281842609 咪蒙对热点《微信交学费摇一摇免单》,会这么取标题： 1 为什么微信只能点赞

9292 0

「GNN，简直太烂了」，一位Reddit网友的深度分析火了

类似地，我发现对于许多图而言，简单的一阶方法在图聚类和节点标记预测任务上的表现，与高阶嵌入方法一样好。事实上，高阶方法对于这些用例来说，在计算上是非常浪费的。...但高阶方法并不是说没有用，它通常在链路预测任务中表现得更好。有趣的是，链接预测性能的差距，在人工创建的图中是不存在的。这表明高阶方法，确实学习了一些真实世界图形固有的结构。...但对于可视化而言，一阶方法会更好一些。高阶方法的可视化往往有其采样的伪影。例如，Node2Vec可视化往往具有拉长/丝状结构，这些结构来自于长单链随机漫步的嵌入。...，直到你打破原始文件的基线绝对不要在你的搜索结果区域中，将你正在比较的东西网格化为你的新方法做一个可爱的首字母缩写，把不可能使用的Python2代码放到GitHub上 BTW：我太讨厌Node2Vec...如果你在为婴儿做小图，它很好，但对于任何严肃的事情，它都会让你窒息，迫使你重写所有的东西…… 这叫库？Really？ ? 在这一点上，大多数处理大型图的人，最终都会手工滚动一些数据结构。

8472 0

看转转如何巧借世界杯爆发！

2018年俄罗斯世界杯的赛事已经快过半，在这一个月的比赛期间，球迷可以尽享足球带来的激动时刻，各大商家也借世界杯的热点为自己赚足了噱头。对众多小程序来说，这也是一个“出众”的机会。...为了助阵世界杯，转转二手交易网推出“转转欢乐送”小程序，重磅放送巨星签名球衣战袍，助力巴西夺冠，让球迷热血沸腾。...在转转欢乐送小程序里，一切东西都是免费的，小到图书、衣服，大到家用电器，都可以通过平台的唯一虚拟货币——“小星星”来交换获得，其中获得小星星的方式多种多样，除了发布自己的二手物品，还可以通过分享、邀请新人...不同于转转二手App或是转转官方小程序的交易模式，转转欢乐送开启以物换物新玩法，用小星星代替真实货币，一方面提高用户交易效率，对于二手非标物品来说，平台难以统一标准定价一直是行业痛点，虚拟货币的出现能更好的解决定价问题...由于二手交易品类多，需求分散，转转一直致力于如何结合平台服务，并利用社交关系不断触达交易潜在人群，此次推出转转欢乐送，用小星星代替实际货币，提升物品成交效率的同时，更加丰富了用户的交易体验。

4227 0

看转转如何巧借世界杯爆发！

2018年俄罗斯世界杯的赛事已经快过半，在这一个月的比赛期间，球迷可以尽享足球带来的激动时刻，各大商家也借世界杯的热点为自己赚足了噱头。对众多小程序来说，这也是一个“出众”的机会。...为了助阵世界杯，转转二手交易网推出“转转欢乐送”小程序，重磅放送巨星签名球衣战袍，助力巴西夺冠，让球迷热血沸腾。...在转转欢乐送小程序里，一切东西都是免费的，小到图书、衣服，大到家用电器，都可以通过平台的唯一虚拟货币——“小星星”来交换获得，其中获得小星星的方式多种多样，除了发布自己的二手物品，还可以通过分享、邀请新人...不同于转转二手App或是转转官方小程序的交易模式，转转欢乐送开启以物换物新玩法，用小星星代替真实货币，一方面提高用户交易效率，对于二手非标物品来说，平台难以统一标准定价一直是行业痛点，虚拟货币的出现能更好的解决定价问题...由于二手交易品类多，需求分散，转转一直致力于如何结合平台服务，并利用社交关系不断触达交易潜在人群，此次推出转转欢乐送，用小星星代替实际货币，提升物品成交效率的同时，更加丰富了用户的交易体验。

6026 0

行为动作识别

但不同于传统的图结构数据，人体运动数据是一连串的时间序列，在每个时间点上具有空间特征，而在帧于帧之间则具有时间特征，如何通过图卷积网络来综合性的发掘运动的时空特征，是目前的行为识别领域的研究热点。...不同于传统的骨骼图，本文还定义了一些特殊的骨骼连接，如下图：不仅包含了骨架的肢节连接（实线），为了发掘那些没有直接连接的关节之间的关系，还定义了一些重要关节之间的间接连接（虚线）。...核心思想：额外添加一个针对邻接矩阵的权重，让网络自己去学习自己的邻接矩阵。...总结总的来说，在基于图卷积的行为识别工作和类似的工作中，研究重点在以下几个方面： 1.如何设计GCN的输入，用一些更加具有识别能力的特征来代替空间坐标，作为网络输入。...2.如何根据问题来定义卷积操作，这是非常硬核的问题。 3.如何设计邻接矩阵。 4.如何确定权重分配策略。 Idea可是无价之宝，不过还是分享出来，有兴趣的同学可以和我一起探讨。

1.7K2 1

个性化资讯推荐算法（上）

你能否猜出我的兴趣，并精准地推荐感兴趣的新闻才是用户关心的，也是用户能直接感受到的体验。（3）丰富性这点恰是很多用户最容易忽略的一个点。...时效性 不同于商品、书籍、电影、视频等的推荐，新闻一大特点是生命周期非常短，有的甚至只有几个小时。如何在最短的时间里把新闻推给感兴趣的人，在新闻进入“暮年”之前发挥它的最大价值是个非常重要的问题。...质量保证新闻本身量大，且时效性强，如何在短时间里快速评估每篇稿子的质量和合法性，做到最高效、最精准的内容审核是个大课题。动态性这里的动态性主要体现为用户兴趣随时间改变、当前热点随时间改变。...不同于上一篇google news的做法，这篇文章试图同时解决新用户和新资讯的冷启动。...这篇文章基于传统的Explore-Exploit(EE)套路，大家可能比较熟悉的是为新item随机一部分流量让其曝光，得到一些反馈，然后模型才能对其有较好的建模能力，这是最naïve的EE策略。

4.7K1 0

推荐系统基础知识储备

还有其他的一些距离度量，但是都不太常用，最常用的依然是欧式距离度量。...我要说的就是类似共现类做计算的这种方式，在大规模数据的情况下是很有效的一种方式，基于统计的方法在数据量足够的时候，更能体现问题的本质。...而满足这种分解，并且每个用户对应于物品都有评分，必定存在与某组隐含的因子，使得用户对于物品的评分逼近真实值，而我们的目标就是通过分解矩阵得到这些隐性因子，并且通过这些因子来预测还未评分的物品。...并且，我们使用这种方法时，需要尽可能的让用户覆盖物品，即用户对于物品的历史评分记录需要足够的多，模型才更准确。...比如物品，我们为热点物品进行权重下降，这样在最终推荐的结果中，非热点物品得到推荐的机会就增大，从而适当的挖掘了长尾。

1.2K1 0

入门学习 | 什么是图卷积网络？行为识别领域新星

但不同于传统的图结构数据，人体运动数据是一连串的时间序列，在每个时间点上具有空间特征，而在帧于帧之间则具有时间特征，如何通过图卷积网络来综合性的发掘运动的时空特征，是目前的行为识别领域的研究热点。...不同于传统的骨骼图，本文还定义了一些特殊的骨骼连接，如下图： ? 不仅包含了骨架的肢节连接（实线），为了发掘那些没有直接连接的关节之间的关系，还定义了一些重要关节之间的间接连接（虚线）。...核心思想：额外添加一个针对邻接矩阵的权重，让网络自己去学习自己的邻接矩阵。...总结总的来说，在基于图卷积的行为识别工作和类似的工作中，研究重点在以下几个方面： 1.如何设计GCN的输入，用一些更加具有识别能力的特征来代替空间坐标，作为网络输入。...2.如何根据问题来定义卷积操作，这是非常硬核的问题。 3.如何设计邻接矩阵。 4.如何确定权重分配策略。 Idea可是无价之宝，不过还是分享出来，有兴趣的同学可以和我一起探讨。

1.4K3 1

如何用AI增强用户的某项能力，设计一款智能产品的基本知识

AI到底如何增强用户的某项能力呢？结合我们设计GET智能写作，我们先聊聊，人工智能在用户写文章的工作流中扮演的角色。...我认为，写作是需要创造力的，但是有很多环节是低效的，我们利用机器帮助写作者把低效的环节进行提速，加快你的创作，让创作者把时间花在创意上，从而创作出更高质量的文章。...人跟机器是两回事，我编程序所以我太知道了，程序都是0和1，而人是连贯的，感情是连续的经历，音乐必须听出情感来，听拿机器编的东西是听不出来感觉的。...03 人机协作的交互方式我总结了3种比较典型的方式机器单向反馈 ? 个性化推荐就是一个典型的代表，每天我们打开各种app的时候，都会收到系统准备的推荐内容，我们如何反馈给系统呢？...目前的做法一般是用户无感知的，机器离线处理的方式得到反馈。双向单次互动 ? 比较典型的应用就是搜索引擎，用户输入，然后机器反馈。多轮人机互动 ?

5604 0

个性化推荐沙龙 | 跨领域推荐，实现个性化服务的技术途径

一、跨领域推荐的概念推荐系统在我们这个时代扮演了越来越重要的角色。如何利用海量数据，来对用户的行为进行预测，向用户推荐其感兴趣的物品与服务成为各大互联网公司非常关注的问题。...现有的单领域个性化推荐大多基于协同过滤推荐方法。协同过滤推荐方法的主要思想是，利用已有用户群过去的行为或意见预测当前用户最可能喜欢哪些东西或者对哪些东西感兴趣。...单领域协同过滤推荐在过去取得了很好的效果，包括Amazon公司在内的很多互联网公司都采用了这样的协同过滤推荐。然而，单领域的个性化推荐存在一些问题和局限，主要表现在以下几个方面： 1....还以用户购买书籍为例，因为是单领域推荐问题，对在该领域从未购买过书籍的用户来说，系统没有该用户在这个领域的任何信息，因此必然无法对用户进行单领域个性化推荐，只能推荐给用户一些流行热门的商品，无法体现个性化...目前跨领域推荐成为了学术界的一个研究热点，工业界如Facebook也采用了跨领域技术进行推荐。

1.8K5 0

开发｜如何用深度学习推荐电影？手把手教你

在这个项目中，我研究了一些针对电影推荐的基本算法，并尝试将深度学习融入到电影推荐系统中。把娱乐与视觉艺术相结合，电影是一个很好的例子。电影海报可以直接、快速地把电影信息传达给观众。...首先，我将讨论如何不使用回归，而是电影（用户）相似度来预测评分，并基于相似度做电影推荐。然后，我将讨论如何使用回归同时学习潜在特征、做电影推荐。最后会谈谈如何在推荐系统中使用深度学习。...这里，我用随机梯度下降来解决这个回归问题，我们的MSE预测如下：这个MSE比用相似性矩阵得到的，要小得多。当然，我们也可以使用网格搜索和交叉验证对模型、算法调参。...如果我找的是一部有大明星的美国犯罪电影，我凭什么会想要看戏剧电影? 这让我很困惑——一个好的MSE的结果可能会给我们一个风马牛不相及的推荐。因此，我们讨论一下基于协同过滤的推荐系统的弱点。...这个项目中，我们使用了无监督深度学习，通过海报来学习电影的相似性。显然，这只是在推荐系统中使用深度学习的第一步，我们还可以尝试很多东西。例如，我们可以用深度学习来预测协同过滤生成的潜在特征。

92812 0

如何用深度学习推荐电影？教你做自己的推荐系统！

在这个项目中，我研究了一些针对电影推荐的基本算法，并尝试将深度学习融入到电影推荐系统中。把娱乐与视觉艺术相结合，电影是一个很好的例子。电影海报可以直接、快速地把电影信息传达给观众。...首先，我将讨论如何不使用回归，而是电影（用户）相似度来预测评分，并基于相似度做电影推荐。然后，我将讨论如何使用回归同时学习潜在特征、做电影推荐。最后会谈谈如何在推荐系统中使用深度学习。...这里，我用随机梯度下降来解决这个回归问题，我们的MSE预测如下： ? 这个MSE比用相似性矩阵得到的，要小得多。当然，我们也可以使用网格搜索和交叉验证对模型、算法调参。再看看电影搜索的推荐： ?...这让我很困惑——一个好的MSE的结果可能会给我们一个风马牛不相及的推荐。因此，我们讨论一下基于协同过滤的推荐系统的弱点。...这个项目中，我们使用了无监督深度学习，通过海报来学习电影的相似性。显然，这只是在推荐系统中使用深度学习的第一步，我们还可以尝试很多东西。例如，我们可以用深度学习来预测协同过滤生成的潜在特征。

1.6K6 0

写给人类的机器学习四、神经网络和深度学习

然后，中间的层仅仅计算大量的矩阵相同，通过在每个隐藏层之后，使用非线性变换（激活函数），对激活值x的权重求和，来让神经网络习得非线性函数。...（你检测高阶特征的能力，让你理解句子中发生的东西，而不会太麻烦（或者可能你发送了大量的乱序文本）。视觉上发生的事情相同，这并不仅仅在人类，也在动物的视觉系统中。...所以当野外的猫感知到一条“边”的时候，也就是一条不同于背景的线，这可能表明，一个物体或者生物进入了视野范围。...RNN 拥有内建记忆的概念，并且非常适合语言问题。它们在强化学习中也很重要，因为它们让智能体能够跟踪东西在哪里，以及之前发生了什么，甚至在那些东西不能一次性看到的时候。...对于神经网络如何实际建立，我们这里没有涉及太多细节。因为你通过自己实现，更易于理解细节。这里是一些非常棒的实践资源，用于起步。

3532 0

独家 | 不同机器学习模型的决策边界（附代码）

标签：机器学习作者前言我使用Iris数据集训练了一系列机器学习模型，从数据中的极端值合成了新数据点，并测试了许多机器学习模型来绘制出决策边界，这些模型可根据这些边界在2D空间中进行预测，这对于阐明目的和了解不同机器学习模型如何进行预测会很有帮助...前沿的机器学习机器学习模型可以胜过传统的计量经济学模型，这并没有什么新奇的，但是作为研究的一部分，我想说明某些模型为什么以及如何进行分类预测。...我想展示我的二分类模型所依据的决策边界，也就是展示数据进行分类预测的分区空间。该问题以及代码经过一些调整也能够适用于多分类问题。...目标我的目标是建立一种分类算法，以区分这两个植物种类，然后计算决策边界，以便更好地了解模型如何做出此类预测。为了为每个变量组合创建决策边界图，我们需要数据中变量的不同组合。...然后，我想在之后随机抽取各列的样本（也就是不同机器学习模型的预测结果）。

1.7K4 0

让你又爱又恨的推荐系统--程序猿篇

至于，如何平衡保护用户隐私与实现推荐系统功能，我认为这就需要平台方与用户有充分的交互与信任，平台有义务向用户透明应用会获取的用户信息，用户有权利保护个人不想透露的隐私信息。...例如，消费者如何不经意间发现自己喜欢的商品，生产者以及平台方如何让自己的商品脱颖而出，增加销量，挖掘商品’长尾’…..推荐系统就是为了解决这些问题的。...对于一些通用的东西，比如工具书，洗衣液等通用性太强了，推荐也没什么必要了。这些都是推荐系统的脏数据。此外，当新用户出现时，我们对其兴趣爱好一无所知，这时如何做出推荐是一个很重要的问题。...曾经接触过两个互联网企业的推荐系统相关的工作，也算感触到工业界与学术界的一些区别，下面是我自己的一些感触与见闻。...融合推荐模型现在身处工业界，最基础的就是使用协同过滤配合其它的一些排序方法，例如GBDT，基本就能完成推荐的基本功能，基于深度学习的方式现在应用的还没有那么成熟，希望自己今后也能有业务需要我深入的研究一下如何在实际的业务场景中大规模的使用深度学习的推荐系统

8167 0

让你又爱又恨的推荐系统--程序猿篇

至于，如何平衡保护用户隐私与实现推荐系统功能，我认为这就需要平台方与用户有充分的交互与信任，平台有义务向用户透明应用会获取的用户信息，用户有权利保护个人不想透露的隐私信息。...例如，消费者如何不经意间发现自己喜欢的商品，生产者以及平台方如何让自己的商品脱颖而出，增加销量，挖掘商品’长尾’…..推荐系统就是为了解决这些问题的。...对于一些通用的东西，比如工具书，洗衣液等通用性太强了，推荐也没什么必要了。这些都是推荐系统的脏数据。此外，当新用户出现时，我们对其兴趣爱好一无所知，这时如何做出推荐是一个很重要的问题。...曾经接触过两个互联网企业的推荐系统相关的工作，也算感触到工业界与学术界的一些区别，下面是我自己的一些感触与见闻。...融合推荐模型现在身处工业界，最基础的就是使用协同过滤配合其它的一些排序方法，例如GBDT，基本就能完成推荐的基本功能，基于深度学习的方式现在应用的还没有那么成熟，希望自己今后也能有业务需要我深入的研究一下如何在实际的业务场景中大规模的使用深度学习的推荐系统

3.4K4 0

如何利用机器学习预测房价？

对于我在梅蒂斯的最后一个项目，我希望能包含过去三个月里所学到的东西，而预测波特兰房价这个题目正符合我的要求，因为我能够将网络爬取技术、文本自然语言处理，图像上的深度学习模型以及梯度增强技术进行整合来实现这个项目...（我让丈夫、母亲和几个朋友来帮我获取更多的 API 密钥）最后，数据收集过程中最困难的部分是获取图像。...我准备将 Zillow 元数据、地产商描述字矩阵和图像特征矩阵组合并到一个矩阵中，然后通过使用梯度提升算法来预测房价。作为一个基准预测，回想一下，数据集的平均房价是 44.2 万元。...如果我在网上爬一个月并能获得更多的图片的话，我相信将图片整合到模型中将有助于提升预测的准确率。总而言之，在完成这个项目的过程中，我学到了很多东西，也克服了几个重要的困难。...我遇到的最大的困难是如何抓取 Redfin 图像以及如何使用 VGG16 模型。我发现 Keras 的文档仍然很少，所以在使用它的时候需要试错很多次。

1.5K10 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭