Keras示例程序
addition_rnn.py:序列到序列学习,实现两个数的加法
antirectifier.py:展示了如何在Keras中定制自己的层
babi_memnn.py:在bAbI数据集上训练一个记忆网络,用于阅读理解
babi_rnn.py:在bAbI数据集上训练一个循环网络,用于阅读理解
cifar10_cnn.py:在CIFAR10数据集上训练一个简单的深度CNN网络,用于小图片识别
conv_filter_visualization.py:通过在输入空间上梯度上升可视化VGG16的滤波器
conv_lstm.py:展示了一个卷积LSTM网络的应用
deep_dream.py: Google DeepDream的Keras实现
image_ocr.py:训练了一个卷积+循环网络+CTC logloss来进行OCR
imdb_bidirectional_lstm.py:在IMDB数据集上训练一个双向LSTM网络,用于情感分类.
imdb_cnn.py:展示了如何在文本分类上如何使用Covolution1D
imdb_cnn_lstm.py:训练了一个栈式的卷积网络+循环网络进行IMDB情感分类.
imdb_fasttext.py:训练了一个FastText模型用于IMDB情感分类
imdb_lstm.py:训练了一个LSTM网络用于IMDB情感分类.
lstm_benchmark.py:在IMDB情感分类上比较了LSTM的不同实现的性能
lstm_text_generation.py:从尼采的作品中生成文本
mnist_acgan.py：AC-GAN(Auxiliary Classifier GAN)实现的示例
mnist_cnn.py:训练一个用于mnist数据集识别的卷积神经网络
mnist_hierarchical_rnn.py:训练了一个HRNN网络用于MNIST数字识别
mnist_irnn.py:重现了基于逐像素点序列的IRNN实验,文章见Le et al. "A Simple Way to Initialize Recurrent Networks of Rectified Linear Units"
mnist_mlp.py:训练了一个简单的多层感知器用于MNIST分类
mnist_net2net.py:在mnist上重现了文章中的Net2Net实验,文章为"Net2Net: Accelerating Learning via Knowledge Transfer".
mnist_siamese_graph.py:基于MNIST训练了一个多层感知器的Siamese网络
mnist_sklearn_wrapper.py:展示了如何使用sklearn包装器
mnist_swwae.py:基于残差网络和MNIST训练了一个栈式的What-Where自动编码器
mnist_transfer_cnn.py:迁移学习的小例子
neural_doodle.py:神经网络绘画
neural_style_transfer.py:图像风格转移
pretrained_word_embeddings.py:将GloVe嵌入层载入固化的Keras Embedding层中,并用以在新闻数据集上训练文本分类模型
reuters_mlp.py:训练并评估一个简单的多层感知器进行路透社新闻主题分类
stateful_lstm.py:展示了如何使用状态RNN对长序列进行建模
variational_autoencoder.py:展示了如何搭建变分编码器
variational_autoencoder_deconv.py Demonstrates how to build a variational autoencoder with Keras using deconvolution layers.
