![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
人工智能
文章平均质量分 72
hello~bye~
这个作者很懒,什么都没留下…
展开
-
深度学习研究基因组学
一、什么是深度学习?深度学习是表示学习的一种。上图能够看到数据经过不同的隐藏层,数据的表示形式不断的改变,直到线性可分或者变成具体的可能性。1、主要策略 监督学习:预测样本的标签 无监督学习:学习数据固有模式(转化数据)2、数据集的划分训练集:得到最佳模型参数(机器学习学的就是超参数的选择)验证集:挑选最佳模型测试集:保证泛化性能3、如何保证深度学习高效?1、合适的训练集例如样本平衡,这就像有99个女人和1个男人,你只要预测样本是女生,正确率就是99%,但你无法预测男人。2、合理的评估标准例如,不平衡的数转载 2021-04-30 17:20:19 · 1942 阅读 · 1 评论 -
AgentBind--Deepneuralnetworksidentifysequencecontextfeaturespredictiveoftranscriptionfactorbinding
推荐度:⭐⭐⭐⭐⭐亮点设计了一种机器学习构架AgentBind,可以识别和解释对于转录因子(TF)结合最重要的序列特征。与以往大多数研究结合基序的系统或程序不同,AgentBind着眼于基序附近的序列背景,并可以研究其在TF结合中的作用。近日由加利福尼亚大学圣地亚哥分校郑安与Melissa Gymrek等的研究团队在《Nature Machine Intelligence》杂志上发表了一篇名为“Deep neural networks identify sequence context feat转载 2021-04-07 21:02:14 · 228 阅读 · 0 评论 -
Python scikit-learn,分类模型的评估,精确率和召回率,classification_report
分类模型的评估标准一般最常见使用的是准确率(estimator.score()),即预测结果正确的百分比。混淆矩阵:准确率是相对所有分类结果;精确率、召回率、F1-score是相对于某一个分类的预测评估标准。精确率(Precision):预测结果为正例样本中真实为正例的比例(查的准)({TP}/{TP+FP})召回率(Recall):真实为正例的样本中预测结果为正例的比例(查的全)({TP}/{TP+FN})分类的其他评估标准:F1-score,反映了模型的稳健型.转载 2021-04-06 16:10:12 · 1454 阅读 · 2 评论 -
使用CNN预测基因可及性
使用CNN预测基因可及性对于要转录的基因,转录因子蛋白必须能够访问它们才能与DNA结合。遗传密码中的突变会极大地改变DNA的可及性,进而影响基因表达。了解这些突变如何扰乱遗传机制可以导致更有针对性的医学和个性化治疗。但是,当前无法有效解释基因组中的非编码变体减慢了这一进展。在“ Basset:使用深度卷积神经网络学习可访问基因组的调控代码”中,作者通过实现一个卷积神经网络来从序列数据中学习DNA的活性和可访问性,从而解决了这一挑战。 ...转载 2021-03-26 16:38:12 · 1002 阅读 · 1 评论 -
深度学习中的生物数据
基因表达生物学的中心教条指出,DNA被转录为mRNA,然后被翻译为蛋白质。我们知道不同的基因以不同的水平表达,并且这些表达水平可以随细胞而变化。基因表达的这些差异使细胞即使在具有相同的DNA“代码”的情况下也表现出不同的行为。 RNA-Seq是一种我们可以定量细胞样品中基因表达的方法[1]。基于mRNA的水平与该基因产生的蛋白质的水平直接相关的想法,RNA-Seq试图量化mRNA的丰度。这有效地使我们了解了每个基因在特定细胞类型或特定...转载 2021-03-26 16:14:45 · 990 阅读 · 0 评论 -
Deep Learning for Genomics: A Concise Overview
本专栏介绍的这篇由卡耐基梅龙大学硕士岳天溦与Eric Xing教授的学生汪浩瀚合著的论文“Deep Learning for Genomics: A Concise Overview”, 综述了深度学习在基因组学中的应用。文中分析了不同深度模型的优劣势,举例讲解如何利用深度学习解决基因学问题,并且指出了当前科研所面临的缺陷和挑战。论文链接:https://arxiv.org/abs/1802.00810作者GitHub还有一些重要论文的笔记: https://github.com/Thither转载 2021-03-15 09:44:53 · 451 阅读 · 0 评论 -
Basset:CNN学习新的染色体开放位点
尝试着将神经网络的元件与生物学意义联系起来。大胆假设,小心求证!PMC | Genome Res. | GitHub下载从ENCODE Project Consortium下载125种细胞类型的数据。从Roadmap Epigenomics Consortium下载39种细胞类型的数据。数据形式为DNase-seq的peak信息,保存在BED格式的文件中。使用未去重叠(overlap)的peak数据。预处理以1%的FDR使用模拟方法修改原始数据集——robustness归并重叠的peaks共 $2,071.转载 2021-03-12 16:24:56 · 910 阅读 · 0 评论 -
基于卷积的神经网络的时间序列预测——WaveNet
基于卷积的神经网络的时间序列预测——WaveNet 原文博客的参考地址:https://jeddy92.github.io/JEddy92.github.io/ts_seq2seq_conv/ 项目参考地址:https://github.com/JEddy92/TimeSeries_Seq2Seq/blob/master/notebooks/TS_Seq2Seq_Conv_Intro.ipynb 项目中的数据集参考:https://download.csdn....转载 2021-03-12 11:10:43 · 2153 阅读 · 0 评论 -
基于卷积神经网络的序列特异性预测研究--云南大学范航恺硕士论文
基于卷积神经网络的序列特异性预测研究--云南大学范航恺硕士论文摘要基因序列特异性的预测无论是在基因分析领域还是基因调控领域都扮演着重要作用,DNA和RNA结合蛋白的特异性模式序列对致病基因的发现也具有指导性作用。目前生物数据量超级多,传统方法(生物实验、统计分析)耗时耗财耗人,采用深度学习方法可以有效避免这些问题。本文主要关注点是模体识别问题中模体的序列特异性,针对这个问题,使用卷积神经网络建立了相应的序列预测模型。该模型主要涉及几个阶段:首先将字符串序列转化为数值编码矩阵,再用预测模式的数原创 2021-03-11 22:19:34 · 634 阅读 · 0 评论 -
生物统计学基本术语
这里简单介绍下生物统计学里面的基本术语。样本与群体群体是指需要调查的所有个体,但是群体常常是可望而不可求的,因此我们使用抽样的方法从群体随机抽取一定量样本来对群体进行估计。期望与平均值平均数是一个统计学概念,期望是一个概率论概念。平均数是实验后根据实际结果统计得到的样本的平均值,期望是实验前根据概率分布“预测”的样本的平均值。之所以说“预测”是因为在实验前能得到的期望与实际实验得到的样本的平均数总会不可避免地存在偏差,毕竟随机实验的结果永远充满着不确定性。如果我们能进行无穷次随机实验并计转载 2021-03-09 21:46:49 · 1370 阅读 · 0 评论 -
python import
Python包含子目录中的模块方法比较简单,关键是能够在sys.path里面找到通向模块文件的路径。下面将具体介绍几种常用情况:(1)主程序与模块程序在同一目录下:如下面程序结构:`-- src |-- mod1.py `-- test1.py 若在程序test1.py中导入模块mod1, 则直接使用importmod1或from mod1 import *;(2)主程序所在目录是模块所在目录的父(或祖辈)目录如下面程序结构:`-- src...转载 2021-03-09 09:23:03 · 91 阅读 · 0 评论 -
basenji模型process过程的问题
在运行process过程时,出现:发现在源文件中修改一下路径解决了????原创 2021-03-08 21:41:46 · 248 阅读 · 0 评论 -
Python生物学Cookbook - Bioinformatics with Python Cookbook 2nd -2018.pdf
简介图片.png从Python生态系统中发现现代的新一代测序文库,分析大量生物数据主要特点使用最重要的Python库和应用程序执行复杂的生物信息学分析实施新一代测序,宏基因组学,自动化分析,群体遗传学等探索生物信息学数据分析的各种统计和机器学习技术生物信息学是一个活跃的研究领域,它使用一系列简单到高级的计算来从生物数据中提取有价值的信息。本书涵盖了新一代测序,基因组学,宏基因组学,群体遗传学,系统发育学和蛋白质组学。您将学习现代编程技术来分析大量的生物数据。借助实际示例,您可转载 2021-03-08 09:38:00 · 1428 阅读 · 0 评论 -
AutoML综述--Taking Human out of Learning Applications: A Survey on Automated Machine Learning
今天刚刚看到在arXiv上出现了一篇关于AutoML的比较全面的综述,于是赶紧略读了一下,第一时间做个简要的分享。论文地址:https://arxiv.org/abs/1810.13306 。这是一篇来自第四范式(4Paradigm)公司的关于AutoML的综述文章。第四范式是目前国内关于AutoML研究较早较深入的公司之一。AutoML全称是Automated Machine Learning,是2014年以来,机器学习和深度学习领域最炙手可热的领域之一。本篇综述文章系统地对AutoML领域给出了综述转载 2021-03-05 17:24:04 · 419 阅读 · 0 评论 -
模式识别在生物信息领域的应用实例
模式识别在生物信息领域的应用实例 一、问题需求 细胞是动植物的结构和功能的基本单位。人体大约由几十万亿个细胞组成,根据细胞的形态、功能等可以把细胞分为众多不同的类型,如生殖细胞、神经细胞等等。研究发现,即使是同一类的细胞,在形态、基因表达等方面仍存在着差异。为了探究细胞与细胞之间的差异及其原因,单细胞测序技...转载 2021-03-04 10:01:26 · 1303 阅读 · 1 评论 -
机器学习在生物信息领域可以做什么
用“machine learning genomics”在 biorxiv 中检索(限定一下Bioinformatics领域),查看最新文章的标题和摘要,看看机器学习都能做些什么实际的项目。 1.Machine-learning annotation of human splicing branchpoints(RNA剪切体位点预测) 使用机器学习来注释人类剪切体的分支点 需要有 RNA splicing 的知识,首先得搞懂 branchpoint、lariat formation的概念 2.Th.转载 2021-03-04 09:42:45 · 1686 阅读 · 1 评论 -
运行basenji框架时出现的问题
1.一定先将各种包安装好,否则容易报错2.分不清哪个是输入,输出是什么。另外每个数据集对应的参数param.json文件对应的什么找不到那个文件,没办法,把另一个文件夹的文件拷贝过去了再运行:...原创 2021-03-03 20:02:59 · 143 阅读 · 1 评论 -
生信过程中的各种文件格式
生信分析过程中,会与很多不同格式的文件打交道,除了原始测序数据fastq之外,还需要准备基因组文件fasta格式和基因注释文件gtf格式。在分析的过程中还会有众多中间文件的生成,如bed、bed12、sam、bam、wig、bigwig、bedgraph等,生成后我们一般会查看下内容了解文件每一列的含义,以此来决定需要提取哪些有用信息列来进行下一步分析。插播一个小剧场老板:“先查看一下bam文件内容。”小白:嗒嗒嗒敲键盘。$lessehbio.bam"ehbio.bam"maybe...转载 2021-03-02 20:45:20 · 1302 阅读 · 0 评论 -
深度学习模型分析人类复杂疾病的准确性
原创 梅斯医学 MedSci梅斯既往研究显示,通过全基因组关联研究(GWAS)分析鉴定出的疾病风险变异主要位于基因组的非编码区域中。因此,全基因组图谱的深度学习模型在预测DNA序列的调控作用方面存在着巨大的潜力。然而,目前深度学习尚未能完全解析人类复杂疾病的信息。该研究主要使用两个已有的深度学习模型:DeepSEA和Basenji,基于一系列编码、保守和监管注释,针对应用分层连锁不平衡(LD)评分回归划分的41种疾病和性状评估全基因组的SNP位点注释。研究人员通过对所有(11个血液样本和8个大脑样本转载 2021-03-02 16:47:05 · 661 阅读 · 0 评论 -
Python-import导入上级目录文件
假设有如下目录结构:-- dir0 | file1.py | file2.py | dir3 | file3.py | dir4 | file4.pydir0文件夹下有file1.py、file2.py两个文件和dir3、dir4两个子文件夹,dir3中有file3.py文件,dir4中有file4.py文件。1.导入同级模块python导入同级模块(在同一个文件夹中的py文件)直接导入即可。import xxx如在file1.py中想导入file2.py,注意无需加后缀".py转载 2021-03-02 16:10:05 · 6347 阅读 · 1 评论 -
basenji框架揭秘
目录 basenji_train.py:读入json文件构建模型seqnn_model构建seqnn_trainer编译并训练模型 basenji_train.py: 代码运行流程:根据params_small.json文件获取模型参数与训练参数,然后使用seqnn....转载 2021-03-02 15:45:26 · 463 阅读 · 0 评论 -
应用卷积神经网络CNN预测DNA-蛋白结合位点Convolutional neural network architectures for predicting DNA–protein binding
深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。卷积神经网络是目前应用最为广泛之一的深度学习技术,它是一种含特征提取器(由卷积层和混合池层组成)的深度神经网络,该网络流行于计算机视觉领域。计算机视觉非常直观且好理解,机器学习领域对其关注已久。人类自身具备优秀的视觉处理能力,所以当设计的学习算法不及预期的时候,我们经常提出新的研究手段。实际上,手写字符识别的数据库 MNIST已经成为了机器学习界的果蝇(一个在生物界用来作转载 2021-03-01 19:49:57 · 1949 阅读 · 0 评论 -
关于深度学习在生物学领域的应用分析Applications of Deep Learning in Biomedicine
申明:本文来源于对论文“Applications of Deep Learning in Biomedicine”的理解。深度学习研究及其在生物医药领域的潜在应用 深度学习已经在各种生物学应用中取得成功。在本节中,我们回顾了在各个研究领域进行深度学习的挑战和机会,并在可能的情况下回顾将深度学习应用于这些问题的研究(表1)。我们首先回顾了生物标志物开发的重要领域,包括基因组学,转录组学,蛋白质组学,结构生物学和化学。然后,我们回顾一下药物发现和再利用的前景,包括使用多平台数据。...转载 2021-03-01 19:21:00 · 1619 阅读 · 0 评论 -
通过pytorch建立神经网络模型 分析遗传基因数据
DNA双螺旋(已对齐)合并神经网络(黄色)我最近进行了有关基因序列的研究工作。我想到的主要问题是:“哪一种最简单的神经网络能与遗传数据最匹配”。经过大量文献回顾,我发现与该主题相关的最接地气却非常有趣的工作是在Yoshua Bengio 教授的实验室中进行的。这篇论文的题目是:“饮食网络:脂肪基因组学的瘦参数”,它的主要目标是将基因序列划分为26个种族。我从那篇论文中得到了灵感,在这里我想解释一下建立神经网络来解决这类问题的基本原理。要阅读这篇博客,不需要生物学方面的背景知识;为了直接进入计算部分,我将转载 2021-02-28 19:56:43 · 434 阅读 · 0 评论 -
谷歌推出开源工具DeepVariant,用深度学习识别基因变异
Google今天推出了一个名叫DeepVariant的开源工具,用深度神经网络来从DNA测序数据中快速精确识别碱基变异位点。学科研究的革命性进展,特别是基因学上,需要依赖于新技术的出现。比如桑格发明了测序法之后,才实现了人类基因组的测序。再比如DNA(微阵列)芯片技术的诞生,使得大规模的基因测序成为可能。这些技术让我们能够获得大量遗传信息,可以更广泛地应用于健康、农业和生态上。基因测序领域里,最革命性的技术当属2000年初首次商用的高通量测序(缩写为HTS)了。HTS可以大规模、低成本、快速地获转载 2021-02-28 11:55:03 · 649 阅读 · 0 评论 -
基因组学中的深度学习 (转载)
转载说明:本文转载至 ‘碱基矿工’ 公众号这一篇文章的主题是深度学习在基因组学中的应用情况的。文章较长,读完要花些时间,不过我的建议是通读第一部分——关于如何进行模型训练的内容,读完后你应该可以理解机器学习模型的训练过程和逻辑,剩下的部分可以挑重点的看。START基因组学其实是一门将数据驱动作为主要研究手段的学科,机器学习方法和统计学方法在基因组学中的应用一直都比较广泛。不过现在多组学数据进一步激增——这个从目前逐渐增多的各类大规模人群基因组项目上可以看出来,这其实带来了新的挑战——就是转载 2021-02-28 11:45:04 · 901 阅读 · 0 评论 -
基因序列 深度学习Deep Learning for Genomics: A Concise Overview
基因组学所需的数据量如此巨大,用深度学习技术去探索人类基因组密码便成为了趋势与未来。由卡耐基梅龙大学硕士岳天溦与Eric Xing教授的学生汪浩瀚合著的论文“Deep Learning for Genomics: A Concise Overview”, 综述了深度学习在基因组学中的应用。文中分析了不同深度模型的优劣势,举例讲解如何利用深度学习解决基因学问题,并且指出了当前科研所面临的缺陷和挑战论文链接:https://arxiv.org/abs/1802.00810GitHub还有一些重要转载 2021-02-28 10:50:53 · 1827 阅读 · 0 评论 -
第一版胶囊网络
背景传统的卷积神经网络因为全连接层会丢失位置空间信息,而池化层又会损失掉一部分信息,所以Hinton提出了胶囊网络,这里我介绍的这篇是以向量为输入输出,后面Hinton还写了一篇文章《matrix capsules with em routing》是以矩阵作为胶囊网络的输入。胶囊网络介绍胶囊网络不再以卷积神经网络中特征图的形式,而是以向量作为输入和输出,向量的长度表示某种目标特征,方向代表目标的存在。整个模型分为encoder和decoder部分。EncoderEncoder部分示例图如原创 2021-01-07 21:04:43 · 253 阅读 · 0 评论 -
cuda tensorflow python版本对应
官方给出的版本对应在相应的下面的链接可看https://tensorflow.google.cn/install/source_windowstensorflow的每个版本如果和python版本不对应,将会有各种报错,另外在github上下载的代码,可能没有错,只是你的环境和他的环境不一样罢了,所以才出来各种奇奇怪怪的问题,所以,如果遇到各种问题各异尝试换个环境试一下,另外,python的3.6.x,x的值不同甚至都可能会有问题,所以,如果在下载的一些代码给出了配置的版本,最好按照相应的版本进行安装原创 2021-01-06 16:24:00 · 3226 阅读 · 0 评论 -
x.reshape()
在写神经网络的时候。经常见到将数据集reshape的操作,那么这个是什么意思呢,我查了一下,有下面的说法:第一种:图像通道为1个通道图像大小未曾变化# X shape (60,000 28x28), y shape (10,000, )(X_train, y_train), (X_test, y_test) = mnist.load_data()# data pre-processingX_train = X_train.reshape(X_train.shape[0], -1) / 255原创 2021-01-05 16:11:53 · 7335 阅读 · 0 评论 -
np.unique
a = np.unique(A)对于一维数组或者列表,unique函数去除其中重复的元素,并按元素由大到小返回一个新的无元素重复的元组或者列表import numpy as npA = [1, 2, 2, 5,3, 4, 3]a = np.unique(A)B= (1, 2, 2,5, 3, 4, 3)b= np.unique(B)C= ['fgfh','asd','fgfh','asdfds','wrh']c= np.unique(C)print(a)pri...转载 2021-01-05 15:52:34 · 186 阅读 · 0 评论 -
to_categorical
1.to_categorical的功能简单来说,to_categorical就是将类别向量转换为二进制(只有0和1)的矩阵类型表示。其表现为将原有的类别向量转换为独热编码的形式。先上代码看一下效果:from keras.utils.np_utils import *#类别向量定义b = [0,1,2,3,4,5,6,7,8]#调用to_categorical将b按照9个类别来进行转换b = to_categorical(b, 9)print(b)执行结果如下:.转载 2021-01-05 15:48:03 · 1193 阅读 · 0 评论 -
screen 远程服务器 关掉本地也可以跑代码
为什么建议使用screen?我这一周都在跑一个深度学习模型的代码,本地电脑一直处在工作状态。心痛我的电脑太劳累,浪费电,屏幕太亮影响睡眠。朋友说使用screen工具可以实现离线跑代码,也就是说我可以关掉我本地的电脑,而远程服务器还在帮我跑代码!简简单单几个步骤即可实现,赶快来围观吧~首先使用ssh连接到远程服务器:C:\Windows\system32>ssh -p 12345 git@12.345.678.910git@12.345.678.910's password:创建一转载 2021-01-05 11:08:49 · 2755 阅读 · 1 评论 -
胶囊网络AurélienGéron视频ppt详解
胶囊网络9大优势4大缺陷人工智能PPT由于笔者能力有限,本篇所有备注皆为专知内容组成员根据讲者视频和PPT内容自行补全,不代表讲者本人的立场与观点。胶囊网络Capsule Networks你好!我是AurélienGéron,在这个视频中,我将告诉你们关于胶囊网络,一个神经网络的新架构。Geoffrey Hinton几年前就有胶囊网络的想法,他在2011年发表了一篇文章,介绍了许多重要的想法,他还是很难让这些想法实现,但直到现在。几周前,在2017年10月,一篇名为“动态路由转载 2020-12-28 11:13:39 · 443 阅读 · 1 评论 -
最大池化是否真的有平移旋转不变性??引自某个问题的评论,还希望有更多的探讨
说出来你们可能不信,没有平移不变性,没有尺度不变性,也没有旋转不变性,我目前的测试和why do deep convolutional networks generalize so poor to small transformation论文基本一致,fashion mnist的数据都是居中的,我给训练集验证集做padding 2,随机裁剪28*28的数据增强,得到0.93的测试准确度,此时所有的测试图片都是居中的,我水平垂直随机平移0 1 2像素,由于训练集见过2个像素偏移的增强图片,所以测试准确率依然在转载 2020-12-25 17:20:24 · 514 阅读 · 1 评论 -
卷积核操作、feature map的含义以及数据是如何被输入到神经网络中
一、卷积核的定义 下图显示了CNN中最重要的部分,这部分称之为卷积核(kernel)或过滤器(filter)或内核(kernel)。因为TensorFlow官方文档中将这个结构称之为过滤器(filter),故在本文中将统称这个结构为过滤器。如下图1所示,过滤器可以将当前层网络上的一个子节点矩阵转化为下一层神经网络上的一个单位节点矩阵。单位节点矩阵指的是高和宽都是1,但深度(长)不限的节点矩阵。 ...转载 2020-12-25 17:04:24 · 2013 阅读 · 0 评论 -
深度学习的卷积
近年来,随着一些强大、通用的深度学习框架相继出现,把卷积层添加进深度学习模型也成了可能。这个过程很简单,只需一行代码就能实现。但是,你真的理解“卷积”是什么吗?当初学者第一次接触这个词时,看到堆叠在一起的卷积、核、通道等术语,他们往往会感到困惑。作为一个概念,“卷积”这个词本身就是复杂、多层次的。在这篇文章中,我们将分解卷积操作的机制,逐步将其与标准神经网络联系起来,探索它们是如何建立起强大的视觉层次结构,并最终成为强大的图像特征提取器的。2D卷积:操作2D卷积是一个相当简单的操作:我们先从转载 2020-12-25 14:57:28 · 587 阅读 · 0 评论 -
卷积神经网络的缺点
。想象一张脸,想一下它是由哪些部件组成的?代表脸型的椭圆、两只眼睛、一个鼻子和一个嘴巴。对于CNN来说,仅仅这些对象的存在就是一个非常强烈的暗示,意味着图像中有一张脸。而组件的朝向和空间上的相对关系对CNN来说并不是很重要。对于CNN而言,两张图片是类似的,因为它们包含相似的部件高层特征将低层特征组合为加权和,前一层的激活与下一层神经元的权重相乘并相加,接着传递到非线性激活函数。在这一配置中,组成高层特征的低层特征之间并不存在位姿(平移和旋转)关系...原创 2020-12-25 14:56:07 · 1143 阅读 · 0 评论 -
如何训练一个神经网络
整体文件目录结构如下:--------dataset |---------train |---------01 |---------01.jpg |---------02.jpg |---------0....jpg ...原创 2020-12-11 10:10:04 · 260 阅读 · 0 评论 -
图像预处理全攻略—— ImageDataGenerator 类
上一篇文章已经详细介绍了keras进行图像预处理的一些常规操作,但是有一个问题就是上面的那些方法都是针对一张图片进行操作的,我们在深度学习的时候,当然也可以事先先一张一张将图片进行预处理,然后再将图片放入训练,但是这样做效率比较低下,而且不是实时的,即图像的预处理变成了完全的事先操作,和后面的训练毫无关系。那有没有效率更加高校一些,在训练的时候边训练边处理的实时操作方法呢?keras提供了这样的方法,所有的这些都是通过......\Lib\site-packages\keras_preprocessing\转载 2020-12-11 10:08:55 · 2413 阅读 · 0 评论