强烈推荐的这些Keras资料——让你少走很多弯路

导语

01

欢迎置顶公众号 “AI算法与图像处理”,第一时间推送优质内容

02

Keras拥有简洁,建模速度快,上手容易,对于初学者来说非常的友好,你能够很容易搭建起自己的模型,这里整理了一份优质的资源,相信看完之后的您不会隐身的吧,期待您的“在看”!

01

github项目

(1)黄海广博士力荐的github项目

资源地址:

https://github.com/erhwenkuo/deep-learning-with-keras-notebooks

资源介绍:

这个github的repository主要是ErhWen Kuo在学习Keras的一些记录及练习。希望在学习过程中发现到一些好的信息与示例也可以对想要学习使用Keras来解决问题的同学带来帮助。这些notebooks主要是使用Python 3.6与Keras 2.1.1版本跑在一台配置Nivida 1080Ti的Windows 10的机台所产生的结果,但有些部份会参杂一些Tensorflow与其它的函式库的介绍。

资源目录:

0.图象数据集/工具介绍

  • 0.0: COCO API解说与简单示例

  • 0.1:土炮自制扑克牌图象数据集

  • 0.2:使用Pillow来进行图像处理

1.Keras API示例

  • 1.0:使用图像增强来进行深度学习

  • 1.1:如何使用Keras函数式API进行深度学习

  • 1.2:从零开始构建VGG网络来学习Keras

  • 1.3:使用预训练的模型来分类照片中的物体

  • 1.4:使用图像增强来训练小数据集

  • 1.5:使用预先训练的卷积网络模型

  • 1.6:卷积网络模型学习到什么的可视化

  • 1.7:构建自动编码器(Autoencoder)

  • 1.8:序列到序列(Seq-to-Seq)学习介绍

  • 1.9: One-hot编码工具程序介绍

  • 1.10:循环神经网络(RNN)介绍

  • 1.11: LSTM的返回序列和返回状态之间的区别

  • 1.12:用LSTM来学习英文字母表顺序

2.图像分类(Image Classification)

  • 2.0: Julia(Chars74K)字母图像分类

  • 2.1:交通标志图像分类

  • 2.2:辛普森卡通图像角色分类

  • 2.3:时尚服饰图像分类

  • 2.4:人脸关键点辨识

  • 2.5: Captcha验证码分类

  • 2.6: Mnist手写图像分类(MLP)

  • 2.7: Mnist手写图像分类(CNN)

3.目标检测(Object Recognition)

  • 3.0: YOLO目标检测算法概念与介绍

  • 3.1: YOLOv2目标检测示例

  • 3.2:浣熊(Racoon)检测-YOLOv2模型训练与调整

  • 3.3:浣熊(Racoon)检测-YOLOv2模型的使用

  • 3.4:袋鼠(Kangaroo)检测-YOLOv2模型训练与调整

  • 3.5:双手(Hands)检测-YOLOv2模型训练与调整

  • 3.6:辛普森卡通图象角色(Simpson)检测-YOLOv2模型训练与调整

  • 3.7: MS COCO图象检测-YOLOv2模型训练与调整

4.物体分割(Object Segmentation)

5.关键点检测(Keypoint Detection)

6.图象标题(Image Caption)

7.人脸检测识别(Face Detection/Recognition)

  • 7.0:人脸检测- OpenCV(Haar特征分类器)

  • 7.1:人脸检测- MTCNN(Multi-task Cascaded Convolutional Networks)

  • 7.2:人脸识别-脸部检测、对齐&裁剪

  • 7.3:人脸识别-人脸部特征提取&人脸分类器

  • 7.4:人脸识别-转换、对齐、裁剪、特征提取与比对

  • 7.5:脸部关键点检测(dlib)

  • 7.6:头部姿态(Head pose)估计(dlib)

8.自然语言处理(Natural Language Processing)

  • 8.0:词嵌入(word embeddings)介绍

  • 8.1:使用结巴(jieba)进行中文分词

  • 8.2: Word2vec词嵌入(word embeddings)的基本概念

  • 8.3:使用结巴(jieba)进行歌词分析

  • 8.4:使用gensim训练中文词向量(word2vec)

参考自:https://zhuanlan.zhihu.com/p/51866340

(2)超全的GAN PyTorch+Keras实现集合

生成对抗网络一直是非常美妙且高效的方法,下面是主流的生成对抗网络及其对应的 PyTorch 和 Keras 实现代码

https://github.com/eriklindernoren/PyTorch-GAN

https://github.com/eriklindernoren/Keras-GAN

https://zhuanlan.zhihu.com/p/36058049

02

Keras官方资料合集

(1)4.1万star的github项目

https://github.com/keras-team/keras

除了官方文档中的各种示例外,还提供了众多的经典的视觉相关模型示例,文本序列相关的例子以及生成模型等。

640?wx_fmt=png640?wx_fmt=png640?wx_fmt=png

640?wx_fmt=png

(2)Keras文档和资源

Keras 英文文档:https://keras.io/	
Keras 中文文档:https://keras-cn.readthedocs.io/en/latest/	
Keras 资源:https://github.com/fchollet/keras-resources	
Keras 博客:https://blog.keras.io/index.html

转载自:https://zhuanlan.zhihu.com/p/23748037

03

Keras书籍分享

(1)Python深度学习

640?wx_fmt=jpeg

(2)Keras快速上手:基于Python的深度学习实战

640?wx_fmt=jpeg

(3)Keras图像深度学习实战

640?wx_fmt=jpeg

取方式:

回复“keras”即可获取,如果链接失效请联系小编及时恢复

加群交流

扫码添加助手,可申请加入AI_study-目标检测交流群。一定要备注:目标检测+地点+学校/公司+昵称(如目标检测+上海+上交+卡卡西),不根据格式申请,一律不通过。

640?wx_fmt=jpeg

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
每天前100人再送5门编程课! AI+5门300元课程+社群闭门分享会源码开源下载:https://github.com/DjangoPeng/keras-101/tree/master/code_samples 【为什么学AI】 归功于近年来大规模数据和硬件计算能力的大幅度提升,人工智能的概念近两年一直是市场追捧的对象。目前各大厂都争先恐后地布局AI,落地各类AI的的商业应用,也随之打响了一场激烈的人才争夺战。长远来看,越快将 AI 用于自己的工作中就能越早体会到AI带来的收益。 【讲师介绍】 彭靖田 Google Developer Experts。 曾为 TensorFlow Top级 的贡献者,著书《深入理解TensorFlow》,是国内第一本深度剖析 Google AI 框架的畅销书。 曾从0到1深入参与了华为 2012 实验室深度学习平台和华为深度学习云服务的设计与研发工作。 【课程设计】 课程内容基于最新的Keras版本(你也可以使用 TensorFlow 2 的 tf.keras 模块),其中有大量独家解读、案例,以及不讲师一线实战多年的方法论和深度思考。同时,在层次划分上,难易兼顾,循序渐进。既有核心的基础知识,也有高级的进阶操作,尽量做到“老皆宜”。 课程分为基础篇、入门篇和实战篇: 一、基础篇: 主要讲解人工智能发展史和深度学习脱颖而出的原由,以及神经网络的基础概念、理论实现、优化原理和计算方法。 二、入门篇: 主攻快速上手,通过7个小节让你从0到1实现环境搭建、模型优化,直接试水2个实战项目。同时,增强AI的理论学习,系统掌握机器学习3大分支、模型评估方法、数据预处理常用手段与过拟合问题的解决方案。 三、实战篇: 通过4个实战全面掌握深度学习理论与实现,涵盖目标检测、图像分类、可视化和可解释性学习、迁移学习、特征提取、数据增强等。带你综合运用前面所学的所有知识,逐渐熟练AI开发流程与技能。 课程包含思维导图上的所有内容(价值199元)前500名立减100元,仅99元买完就能学!

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值