关于 Keras
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 快速指南
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 模型的可重复性
使用 TensorFlow NumPy 编写 Keras 模型
简单的自定义层示例:反整流器
估计模型训练所需的样本量
推荐系统的高效内存嵌入
创建 TFRecord
使用函数式子类化打包 Keras 模型以进行广泛分发
使用混合密度网络逼近非函数映射
概率贝叶斯神经网络
知识蒸馏指南
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
search
►
代码示例
/ Keras 快速指南
Keras 快速指南
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
端点层模式
V3
Keras 模型的可重复性
V3
使用 TensorFlow NumPy 编写 Keras 模型
V3
简单的自定义层示例:反整流器
V3
使用函数式子类化打包 Keras 模型以进行广泛分发
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量
V3
推荐系统的高效内存嵌入
V3
创建 TFRecord
其他
V2
使用混合密度网络逼近非函数映射
V2
概率贝叶斯神经网络
V2
知识蒸馏指南
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