► Code examples

代码示例

我们的代码示例简短（少于 300 行代码），专注于垂直深度学习工作流程的演示。

我们所有的示例都是作为 Jupyter 笔记本编写的，可以在 Google Colab 中一键运行，这是一个无需设置并在云中运行的托管笔记本环境。Google Colab 包括 GPU 和 TPU 运行时。

★

= Good starter example

V3

= Keras 3 example

计算机视觉

Image classification

从头开始进行图像分类

简单的MNIST卷积网络

通过微调EfficientNet实现图像分类

使用视觉Transformer进行图像分类

基于注意力机制的深度多实例学习进行分类

使用现代MLP模型进行图像分类

一种适合移动设备的基于Transformer的图像分类模型

使用TPU进行肺炎分类

紧凑卷积变换器

使用ConvMixer进行图像分类

使用EANet（外部注意力变压器）进行图像分类

反卷积神经网络

使用Perceiver进行图像分类

使用Reptile实现少样本学习

使用SimCLR进行对比预训练的半监督图像分类

使用Swin Transformer进行图像分类

在小数据集上训练视觉Transformer

一个没有注意力机制的视觉Transformer

使用全局上下文视觉变换器进行图像分类

使用BigTransfer (BiT)进行图像分类

Image segmentation

使用类似U-Net的架构进行图像分割

使用DeepLabV3+进行多类别语义分割

使用BASNet进行高精度边界分割

使用可组合的全卷积网络进行图像分割

Object detection

使用RetinaNet进行目标检测

使用迁移学习进行关键点检测

使用Vision Transformers进行目标检测

3D

通过CT扫描进行3D图像分类

单目深度估计

使用NeRF进行3D体渲染

使用PointNet进行点云分割

OCR

用于读取验证码的OCR模型

Image enhancement

用于图像去噪的卷积自编码器

使用MIRNet进行低光照图像增强

使用高效子像素卷积神经网络进行图像超分辨率

用于单张图像超分辨率的增强型深度残差网络

用于低光照图像增强的Zero-DCE

Data augmentation

图像分类的CutMix数据增强

用于图像分类的MixUp数据增强

用于图像分类的RandAugment以提高鲁棒性

Image & Text

图像说明生成

使用双编码器进行自然语言图像搜索

Vision models interpretability

可视化卷积神经网络的学习内容

用集成梯度解释模型

研究视觉变换器表示

Grad-CAM 类激活可视化

Image similarity search

近似重复图像搜索

语义图像聚类

使用对比损失的孪生网络进行图像相似性估计

使用三胞胎损失函数的连体网络进行图像相似度估计

度量学习用于图像相似度搜索

使用TensorFlow Similarity进行图像相似性搜索的度量学习

使用NNCLR的自监督对比学习

Video

使用CNN-RNN架构进行视频分类

利用卷积LSTM进行下一帧视频预测

使用Transformers进行视频分类

视频视觉变换器

Performance recipes

为了更好的训练性能进行梯度集中化

学习在视觉Transformers中进行标记化

FixRes：解决训练与测试分辨率不一致的问题

带有LayerScale的类注意力图像变压器

用聚合注意力增强卷积神经网络

学习调整大小

Other

Semi-supervision and domain adaptation with AdaMatch

Barlow Twins for Contrastive SSL

Consistency training with supervision

Distilling Vision Transformers

Focal Modulation: A replacement for Self-Attention

Using the Forward-Forward Algorithm for Image Classification

Masked image modeling with Autoencoders

Segment Anything Model with 🤗Transformers

Semantic segmentation with SegFormer and Hugging Face Transformers

Self-supervised contrastive learning with SimSiam

Supervised Contrastive Learning

When Recurrence meets Transformers

Efficient Object Detection with YOLOV8 and KerasCV

自然语言处理

Text classification

从零开始的文本分类

使用主动学习进行评论分类

使用FNet进行文本分类

大规模多标签文本分类

使用Transformer进行文本分类

使用 Switch Transformer 进行文本分类

使用决策森林和预训练嵌入进行文本分类

使用预训练的词嵌入

双向LSTM在IMDB上的应用

使用 KerasNLP 和 tf.distribute 进行数据并行训练

Machine translation

使用KerasNLP进行英西翻译

使用序列到序列的Transformer进行英语到西班牙语的翻译

字符级递归序列到序列模型

Entailment prediction

多模态蕴涵

Named entity recognition

使用Transformers进行命名实体识别

Sequence-to-sequence

使用BERT进行文本提取

用序列到序列学习进行数字加法

Text similarity search

使用KerasNLP进行语义相似度计算

使用BERT计算语义相似度

使用连体RoBERTa网络进行句子嵌入

Language modeling

端到端的BERT掩蔽语言模型

使用Hugging Face Transformers进行BERT预训练

Parameter efficient fine-tuning

使用LoRA对GPT-2进行参数高效的微调

Other

Abstractive Text Summarization with BART

Training a language model from scratch with 🤗 Transformers and TPUs

MultipleChoice Task with Transfer Learning

Question Answering with Hugging Face Transformers

Abstractive Summarization with Hugging Face Transformers

结构化数据

Structured data classification

使用FeatureSpace进行结构化数据分类

FeatureSpace高级用例

不平衡分类：信用卡欺诈检测

从零开始进行结构化数据分类

使用宽度、深度和交叉网络进行结构化数据学习

使用门控残差和变量选择网络进行分类

使用 TensorFlow 决策森林进行分类

使用神经决策森林进行分类

使用TabTransformer进行结构化数据学习

Recommendation

电影推荐的协同过滤

一个基于Transformer的推荐系统

时间序列

Timeseries classification

从零开始实现时间序列分类

使用Transformer模型进行时间序列分类

用于动作识别的脑电图信号分类

用于支付卡诈欺检测的事件分类

Anomaly detection

使用自编码器进行时间序列异常检测

Timeseries forecasting

使用图神经网络和LSTM进行交通预测

用于天气预测的时间序列预测

生成式深度学习

Image generation

去噪扩散隐式模型

使用稳定扩散穿越潜在空间

DreamBooth 梦想展位

去噪扩散概率模型

通过文本反演教会StableDiffusion新概念

微调稳定扩散

变分自编码器

在GAN中重写Model.train_step

WGAN-GP 覆盖 Model.train_step

条件生成对抗网络

具有自适应鉴别器增强的数据高效GANs

用于条件图像生成的GauGAN

使用StyleGAN生成面部图像

向量量化变分自编码器

Style transfer

神经风格迁移

利用AdaIN进行神经风格迁移

Text generation

使用 KerasNLP 进行 GPT2 文本生成

使用KerasNLP从零开始进行GPT文本生成

使用微型GPT进行文本生成

使用LSTM的字符级文本生成

使用FNet进行文本生成

Graph generation

使用变分自编码器生成药物分子

使用R-GCN的WGAN-GP生成小分子图

Other

Density estimation using Real NVP

音频数据

Speech recognition

使用Transformer的自动语音识别

Other

Automatic Speech Recognition using CTC

MelGAN-based spectrogram inversion using feature matching

Speaker Recognition

English speaker accent recognition using Transfer Learning

Audio Classification with Hugging Face Transformers

强化学习

演员-评论家方法

近端策略优化

Atari Breakout的深度Q学习

深度确定性策略梯度（DDPG）

图数据

Graph attention network (GAT) for node classification

Node Classification with Graph Neural Networks

Message-passing neural network (MPNN) for molecular property prediction

Graph representation learning with node2vec

快速Keras食谱

Keras usage tips

使用LoRA和QLoRA对Gemma进行参数高效微调

使用简单的Transformer模型进行Float8训练和推理

Keras调试技巧

自定义 Conv2D 层的卷积操作

训练器模式

终端层模式

Keras模型中的可复现性

使用 TensorFlow NumPy 编写 Keras 模型

简单自定义层示例：Antirectifier

使用函数子类打包Keras模型以广泛分发

Serving

使用TFServing提供TensorFlow模型

ML best practices

估算模型训练所需的样本量

推荐系统的内存高效嵌入

创建TFRecords

Other

Approximating non-Function Mappings with Mixture Density Networks

Probabilistic Bayesian Neural Networks

Knowledge distillation recipes

Evaluating and exporting scikit-learn metrics in a Keras callback

How to train a Keras model on TFRecord files

添加新的代码示例

我们欢迎新的代码示例！以下是我们的规则：

应该少于 300 行代码（注释可以随意长）。
应该展示现代 Keras 的最佳实践。
在主题上应与上述所有示例有实质性的不同。
应该有充分的文档和注释。

新的示例通过向 keras.io 仓库提交 Pull Requests 添加。它们必须作为遵循特定格式的 .py 文件提交。它们通常是从 Jupyter 笔记本生成的。有关更多详细信息，请参见 tutobooks 文档。

如果您想将 Keras 2 示例转换为 Keras 3，请向 keras.io 仓库提交 Pull Request。

代码示例

◆ 添加新的代码示例