Yolo-V4算法中对网络进行了改进，使用CSPDarknet53。对主干网络进行了修改，将原先的Darknet53改为CSPDarknet53，其中是将激活函数改为Mish激活函数，并且在网络中加入了CSP结构。对特征提取过程的加强，添加了SPP，PAN

Conv2D(input_shape=(28,28,1),filters=32,kernel_size=5,strides=1,padding=‘same‘,activation=‘relu‘),MaxPool2D(pool_size=(2,2),stri

接触过深度学习的人一定听过keras，为了学习的方便，接下来将要仔细的讲解一下这keras库是如何构建1D-CNN深度学习框架的。from keras.layers import Embedding, Conv1D, MaxPooling1D, Globa

阅读完本文，你就学会了在Keras框架中，如何将深度学习神经网络Dropout正则化添加到深度学习神经网络模型里。其原理非常简单粗暴：任意丢弃神经网络层中的输入，该层可以是数据样本中的输入变量或来自先前层的激活。它能够模拟具有大量不同网络结构的神经网络，并

Layer的全路径为keras.layers.Layer，Model的全路径为keras.Model

在《手写数字识别——手动搭建全连接层》一文中，我们通过机器学习的基本公式构建出了一个网络模型，其实现过程毫无疑问是过于复杂了——不得不考虑诸如数据类型匹配、梯度计算、准确度的统计等问题，但是这样的实践对机器学习的理解是大有裨益的。在大多数情况下，我们还是希

从本质上讲，深度残差收缩网络属于卷积神经网络，是深度残差网络的一个变种。它的核心思想在于，在深度学习进行特征学习的过程中，剔除冗余信息是非常重要的；软阈值化是一种非常灵活的、删除冗余信息的方式。恒等连接是深度残差网络的核心，是其优异性能的一个保障。这里的“

ps：解决样本数量不均衡：fit_generator中设置参数class_weight = ‘auto‘

Dense 是一个类，用来regular densely-connected NN layer.假设y_test为100x1的向量，100表示样本数，标签为标量，这时候将标签扩充为10维的向量，即：y_test为100x10。10维向量中，值为1表示这个样

用keras训练模型并实时显示loss/acc曲线，（重要的事情说三遍：实时！）实时导出loss/acc数值，同时也涉及了plt画图方法。pl.plot #xdata/ydata均为不断增长的一维数组，同时定义了线段颜色/类型/图例。pl.xlabel #

介绍本文我们将使用tf.keras构建一个卷积神经网络，用于识别森林卫星图。tf.keras是Tensorflow的高阶API，具有模块性，易扩展性，相比Tensorflow的Low-level API可以更快速的实现模型。Pytorch也是相当不错的框架

数据集为11个辛普森家族的成员的动画片截图，存放在11个文件夹中，每个成员有大约1000张图片。这些图片有不一样的尺寸，在进过归一化后和标签一起输入神经网络进行训练。由于这次图像识别训练直接用的图片，因此该程序实际上可以用来做很多事情，只需更换文件夹路径，

本文将以一家造纸厂的生产为例，介绍如何使用自动编码器构建罕见事件分类器。在罕见事件问题中，数据集是不平衡的。近来，深度学习被广泛应用于分类中。然而正样本数太少不利于深度学习的应用。不论数据总量多大，深度学习的使用都会受制于阳性数据的数量。为什么不考虑使用其

Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的作者——谷歌工程师 Franois Chollet 表示，Keras 更像是一个界面而不是一个独立

本文约7000字，建议阅读10+分钟。本文将通过拆解SmallVGGNet的架构及代码实例来讲解如何运用Keras进行多标签分类。本文的灵感来源于我收到的一封来自PyImageSearch的读者Switaj的邮件。你好，Adrian，感谢PyImageSe