无
入门指南
开发者指南
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
去噪扩散隐式模型
使用 Stable Diffusion 3 漫步潜在空间
DreamBooth
去噪扩散概率模型
通过 Textual Inversion 教 StableDiffusion 新概念
微调 Stable Diffusion
变分自编码器
GAN 重写 Model.train_step
WGAN-GP 重写 Model.train_step
条件 GAN
CycleGAN
使用自适应判别器增强的高数据效率 GAN
Deep Dream
用于条件图像生成的 GauGAN
PixelCNN
使用 StyleGAN 生成人脸图像
向量量化变分自编码器
使用 Stable Diffusion 漫步潜在空间
神经风格迁移
使用 AdaIN 的神经风格迁移
使用 KerasHub 的 GPT2 文本生成
使用 KerasHub 从头开始生成 GPT 文本
使用小型 GPT 进行文本生成
使用 LSTM 进行字符级文本生成
使用 FNet 进行文本生成
使用 Transformer 模型进行音乐生成
使用 VAE 生成药物分子
使用 R-GCN 生成小分子图的 WGAN-GP
使用 Real NVP 进行密度估计
音频数据
强化学习
图数据
Keras 快速秘籍
Keras 3 API 文档
Keras 2 API 文档
KerasTuner:超参数调优
KerasHub:预训练模型
KerasRS
入门指南
指南
API
示例
Keras Tuner
Keras RS
Keras Hub
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
去噪扩散隐式模型
使用 Stable Diffusion 3 漫步潜在空间
DreamBooth
去噪扩散概率模型
通过 Textual Inversion 教 StableDiffusion 新概念
微调 Stable Diffusion
变分自编码器
GAN 重写 Model.train_step
WGAN-GP 重写 Model.train_step
条件 GAN
CycleGAN
使用自适应判别器增强的高数据效率 GAN
Deep Dream
用于条件图像生成的 GauGAN
PixelCNN
使用 StyleGAN 生成人脸图像
向量量化变分自编码器
使用 Stable Diffusion 漫步潜在空间
神经风格迁移
使用 AdaIN 的神经风格迁移
使用 KerasHub 的 GPT2 文本生成
使用 KerasHub 从头开始生成 GPT 文本
使用小型 GPT 进行文本生成
使用 LSTM 进行字符级文本生成
使用 FNet 进行文本生成
使用 Transformer 模型进行音乐生成
使用 VAE 生成药物分子
使用 R-GCN 生成小分子图的 WGAN-GP
使用 Real NVP 进行密度估计
音频数据
强化学习
图数据
Keras 快速秘籍
►
代码示例
/ 生成式深度学习
生成式深度学习
图像生成
★
V3
去噪扩散隐式模型
★
V3
使用 Stable Diffusion 3 漫步潜在空间
V2
DreamBooth
V2
去噪扩散概率模型
V2
通过 Textual Inversion 教 StableDiffusion 新概念
V2
微调 Stable Diffusion
V3
变分自编码器
V3
GAN 重写 Model.train_step
V3
WGAN-GP 重写 Model.train_step
V3
条件 GAN
V3
CycleGAN
V3
使用自适应判别器增强的高数据效率 GAN
V3
Deep Dream
V3
用于条件图像生成的 GauGAN
V3
PixelCNN
V2
使用 StyleGAN 生成人脸图像
V2
向量量化变分自编码器
V3
使用 Stable Diffusion 漫步潜在空间
风格迁移
V3
神经风格迁移
V2
使用 AdaIN 的神经风格迁移
文本生成
★
V3
使用 KerasHub 的 GPT2 文本生成
V3
使用 KerasHub 从头开始生成 GPT 文本
V3
使用小型 GPT 进行文本生成
V3
使用 LSTM 进行字符级文本生成
V2
使用 FNet 进行文本生成
音频生成
V3
使用 Transformer 模型进行音乐生成
图生成
V3
使用 VAE 生成药物分子
V2
使用 R-GCN 生成小分子图的 WGAN-GP
其他
V2
使用 Real NVP 进行密度估计