无
入门
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
音频数据
强化学习
图数据
Keras 快速秘籍
使用 LoRA 和 QLoRA 对 Gemma 进行参数高效微调
使用简单 Transformer 模型进行 Float8 训练和推理
使用 TFServing 提供 TensorFlow 模型服务
Keras 调试技巧
自定义 Conv2D 层的卷积操作
训练器模式
端点层模式
Keras 模型的可重现性
使用 TensorFlow NumPy 编写 Keras 模型
简单自定义层示例:Antirectifier
估计模型训练所需的样本大小
用于推荐系统的内存高效嵌入
创建 TFRecords
使用函数式子类打包 Keras 模型以便广泛分发
使用混合密度网络近似非函数映射
概率贝叶斯神经网络
知识蒸馏秘籍
在 Keras 回调中评估和导出 scikit-learn 指标
如何在 TFRecord 文件上训练 Keras 模型
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
API
示例
KerasTuner
KerasRS
KerasHub
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
Keras 快速秘籍
使用 LoRA 和 QLoRA 对 Gemma 进行参数高效微调
使用简单 Transformer 模型进行 Float8 训练和推理
使用 TFServing 提供 TensorFlow 模型服务
Keras 调试技巧
自定义 Conv2D 层的卷积操作
训练器模式
端点层模式
Keras 模型的可重现性
使用 TensorFlow NumPy 编写 Keras 模型
简单自定义层示例:Antirectifier
估计模型训练所需的样本大小
用于推荐系统的内存高效嵌入
创建 TFRecords
使用函数式子类打包 Keras 模型以便广泛分发
使用混合密度网络近似非函数映射
概率贝叶斯神经网络
知识蒸馏秘籍
在 Keras 回调中评估和导出 scikit-learn 指标
如何在 TFRecord 文件上训练 Keras 模型
►
代码示例
/ Keras 快速秘籍
Keras 快速秘籍
Keras 使用技巧
V3
使用 LoRA 和 QLoRA 对 Gemma 进行参数高效微调
V3
使用简单 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
端点层模式
V3
Keras 模型的可重现性
V3
使用 TensorFlow NumPy 编写 Keras 模型
V3
简单自定义层示例:Antirectifier
V3
使用函数式子类打包 Keras 模型以便广泛分发
模型服务
V3
使用 TFServing 提供 TensorFlow 模型服务
机器学习最佳实践
V3
估计模型训练所需的样本大小
V3
用于推荐系统的内存高效嵌入
V3
创建 TFRecords
其他
V2
使用混合密度网络近似非函数映射
V2
概率贝叶斯神经网络
V2
知识蒸馏秘籍
V2
在 Keras 回调中评估和导出 scikit-learn 指标
V2
如何在 TFRecord 文件上训练 Keras 模型