在用yolov3训练自己的数据集时，尝试加载预训练的权重，在冻结前154层的基础上，利用自己的数据集finetune。因为keras旧版本没有这一定义，在新的版本中有这一关键字的定义，因此，更新keras版本至2.1.5即可解决。Loaded runtim

如果两个图像属于同一个人，则它们应具有较高的匹配度；如果两个图像属于两个不同的人，则匹配度应较低。但是，由于光线，位置或方向略有变化，图像中的像素值也会发生巨大变化，因此该方法实际上效果不佳。这就是卷积神经网络发挥作用的地方。通过将每个图像嵌入d维向量空间

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。Keras 是一个创建神经网络的库，它是开源的，用 Python 语言编写。在本教程中

在本文中，我将向您展示如何使用Python创建自己的人工神经网络！我们将使用Pima-Indian-Diabetes数据集来预测一个人是否患有糖尿病。Pima是一群生活在亚利桑那州中部和南部地区的美洲原住民。在世界上所有人口中Pima报告的糖尿病患病率最高

TensorFlow 2.0是对1.x版本做了一次大的瘦身，Eager Execution默认开启，并且使用Keras作为默认高级API，这些改进大大降低的TensorFlow使用难度。本文主要记录了一次曲折的使用Keras+TensorFlow2.0的B

目录Keras 中神经网络模型的 5 步生命周期在 Python 迷你课程中应用深度学习Keras 深度学习库的二元分类教程如何用 Keras 构建多层感知器神经网络模型如何在 Keras 中检查深度学习模型10 个用于 Amazon Web Servic

项目介绍在文章CNN大战验证码中，我们利用TensorFlow搭建了简单的CNN模型来破解某个网站的验证码。数据集对于验证码图片的处理过程在本文中将不再具体叙述，有兴趣的读者可以参考文章CNN大战验证码。样本的特征为字符图片的像素，0代表白色，1代表黑色，

在上一节Keras文本分类实战（上），讲述了关于NLP的基本知识。这部分，将学会以不同方式将单词表示为向量。词嵌入是什么文本也被视为一种序列化的数据形式，类似于天气数据或财务数据中的时间序列数据。在之前的BOW模型中，了解了如何将整个单词序列表示为单个特征

Intel Movidius 神经计算棒是个使用USB接口的深度学习设备，比U盘略大，功耗1W，浮点性能可达100GFLOPs。100GFLOPs大概是什么概念呢，i7-8700K有59.26GLOPs，Titan V FP16 有24576GLOPs……

最近谷歌大脑公布了一个新的激活函数，叫做 Swish 激活函数。这个函数非常的有趣，很多人都把它应用到一些小的神经网络和大的神经网络中去测试它的性能。所以，我也打算去 kaggle 上面测试一些这个函数的性能如何。我利用 Keras 实现的 ReLU 模型

我们将使用来自此处的真实稀有事件数据集。意思是，我们得到的阳性标记样本少于阴性。在典型的罕见事件问题中，带正号的标记数据约占总数的5-10％。对这些罕见事件进行分类非常具有挑战性，深度学习已被广泛用于分类。但是，少量阳性标记样本禁止深度学习应用。我们总是可

入坑几天，装无数次，为了防止忘记及以后还要安装，特写下此文以供参考。首先，报一下我的设备：Ubuntu16.04TL，NVDIA Geforce 680，这是比较老的GPU了，姑且用来做初步实验。可参考这篇博文进行安装《Ubuntu16.04安装NVIDI

此外，随着相关的深入研究，会出现一些新的发现，进而解释之前无法解释的内容。Dropout本文假设你在读这篇文章时已经了解Dropout的相关知识，以及它在神经网络正则化方面的作用。

在浏览器中完全运行客户端的机器学习程序可以“解锁”新的惊喜，如交互式ML！如果您关注过TensorFlow开发者峰会的活动，在TensorFlow.js会议期间，您会发现一个演示，其中@dsmilkov和@nsthorat在浏览器中使用计算机视觉和网络摄像

验证码这种东西真的是反人类。虽然它在保证账号安全、反作弊以及反广告有着至关重要的作用，但对于普通用户来说，输验证码很多时候实在是让人抓狂。文摘菌18岁的时候帮朋友刷QQ空间留言就天天和验证码作斗争，前几天传一个视频又创下了连续7次输错验证码的记录。不过好在

通过适当的流程，为给定的预测任务找到最先进的超参数配置并不困难。在三种方法中 - 手动，机器辅助和算法 - 本文将重点介绍机器辅助。这就是像Keras这样的解决方案允许我们做的事情，并且任何试图将使用像Keras这样的工具的过程自动化的尝试都应该接受这个想

生成模型和序列模型总是令我着迷：它们提出的问题与我们初学机器学习时常遇到的问题不同。刚开始学习 ML 时，和很多人一样，我学的是分类和回归。这些可以帮助我们提出并回答以下问题：。(分类) 明天有多大概率会下雨?但是，我们可能会提出其它类型的问题，这