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
search
►
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