榜单
服务器优惠
AI论文
-
6-1,构建模型的3种方法
6-1,构建模型的3种方法 一，Sequential按层顺序创建模型 二，函数式API创建任意结构模型 三，Model子类化创建自定义模型 6-1,构建模型的3种方法 可以使用以下3种方式构建模型：使用Sequential按层顺序构建模型，使用函数式API构建任意结构模型，继承Model基类构建自定义模型。 对于顺序结构的模型，优先使用Seq... -
循环层 Recurrent
RNN SimpleRNN GRU LSTM ConvLSTM2D SimpleRNNCell GRUCell LSTMCell StackedRNNCells CuDNNGRU CuDNNLSTM [source] RNN keras . layers . RNN ( cell , return_sequences = ... -
Scikit-learn API
Scikit-Learn API 的封装器 参数 Scikit-Learn API 的封装器 你可以使用 Keras 的 Sequential 模型（仅限单一输入）作为 Scikit-Learn 工作流程的一部分，通过在此找到的包装器: keras.wrappers.scikit_learn.py 。 有两个封装器可用: keras.wrap... -
Scikit-learn API
Scikit-Learn API的封装器 参数 Scikit-Learn API的封装器 你可以使用Keras的顺序模型(仅限单一输入)作为Scikit-Learn工作流程的一部分，通过在此找到的包装器:keras.wrappers.scikit_learn.py . 有两个封装器可用: keras.wrappers.scikit_learn.... -
Training a Text Classification Model Using SQLFlow
Training a Text Classification Model Using SQLFlow Steps to Process and Train With IMDB Dataset Train and Predict Using Custom Keras Model Steps to Run Chinese Text Classificati... -
循环层Recurrent
循环层Recurrent Recurrent层 参数 输入shape 输出shape 例子 指定RNN初始状态的注意事项 屏蔽输入数据（Masking） 使用状态RNN的注意事项 SimpleRNN层 参数 参考文献 GRU层 参数 参考文献 LSTM层 参数 参考文献 ConvLSTM2D层 参数 输入shape 输出... -
深度强化学习（DRL）
深度强化学习（DRL） 深度强化学习（DRL） 强化学习 （Reinforcement learning，RL）强调如何基于环境而行动，以取得最大化的预期利益。结合了深度学习技术后的强化学习更是如虎添翼。这两年广为人知的 AlphaGo 即是深度强化学习的典型应用。 基础知识和原理 Demystifying Deep Reinforcemen... -
文本预处理
Text Preprocessing Tokenizer hashing_trick one_hot text_to_word_sequence Text Preprocessing [source] Tokenizer keras . preprocessing . text . Tokenizer ( num_words = No... -
Comparisons of How to Contribute Models Designs
Comparisons of How to Contribute Models Designs A General View of the Designs Principles When Choosing the Design Design Decisions Use VM playground or Docker image? Do we provi... -
Locally-connected Layers
LocallyConnected1D LocallyConnected2D [source] LocallyConnected1D keras . layers . LocallyConnected1D ( filters , kernel_size , strides = 1 , padding = 'valid' , data_fo...