关于Keras 入门指南 开发者指南 Keras 3 API 文档 Keras 2 API 文档 代码示例 计算机视觉 自然语言处理 结构化数据 时间序列 生成式深度学习 音频数据 强化学习 图数据 快速Keras食谱 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 使用TFServing提供TensorFlow模型 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 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 使用函数子类打包Keras模型以广泛分发 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 KerasTuner:超参数调优 KerasCV:计算机视觉工作流 KerasNLP:自然语言工作流程
► 代码示例 / 快速Keras食谱

快速Keras食谱

Keras usage tips

V3
使用LoRA和QLoRA对Gemma进行参数高效微调
V3
使用简单的Transformer模型进行Float8训练和推理
V3
Keras调试技巧
V3
自定义 Conv2D 层的卷积操作
V3
训练器模式
V3
终端层模式
V3
Keras模型中的可复现性
V3
使用 TensorFlow NumPy 编写 Keras 模型
V3
简单自定义层示例:Antirectifier
V3
使用函数子类打包Keras模型以广泛分发

Serving

V3
使用TFServing提供TensorFlow模型

ML best practices

V3
估算模型训练所需的样本量
V3
推荐系统的内存高效嵌入
V3
创建TFRecords

Other

V2
Approximating non-Function Mappings with Mixture Density Networks
V2
Probabilistic Bayesian Neural Networks
V2
Knowledge distillation recipes
V2
Evaluating and exporting scikit-learn metrics in a Keras callback
V2
How to train a Keras model on TFRecord files

Terms | Privacy