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
keras.io logo
  • 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

条款
|
隐私