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
► 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

条款 | 隐私权政策