提供详尽的深度学习和机器学习速查表，包括Tensorflow、Keras、Numpy等热门工具，帮助工程师和研究人员快速掌握核心知识，提高工作效率。访问AI Cheatsheets获取更多资源和最新技术信息，适用于各水平从业者。

本项目旨在通过实现多种残差密集网络（RDN）和残差在残差密集网络（RRDN）来提升低分辨率图像的质量，并支持Keras框架。项目提供了预训练模型、训练脚本以及用于云端训练的Docker脚本。适用于图像超分辨率处理，兼容Python 3.6，开源并欢迎贡献。

DeepMoji是一个情感分析模型，基于12亿推文数据训练，可通过迁移学习在多种情感任务中表现出色。项目包含代码示例和预训练模型，兼容Python 2.7和Keras框架，适用于情感预测和文本编码。还提供了PyTorch实现，用户可使用不同模块进行数据处理、模型微调和测试。

TensorFlow Cloud提供API，帮助开发者从本地开发和调试轻松过渡到在Google云平台上进行分布式训练和调优。支持多种分布式策略和集群配置，实现模型的高效扩展和部署。

onnx2tflite工具实现从ONNX到TensorFlow Lite和Keras的快速高效模型转换。它具备高一致性，平均误差低于1e-5，速度比其他工具提高30%。支持自动转换PyTorch和TensorFlow格式，并能输出FP16和UINT8定量模型。用户还可以自定义操作符，提升模型转换和部署的灵活性。

KotlinDL是一种高层次的深度学习API，用Kotlin编写，适用于JVM和安卓环境。它利用TensorFlow和ONNX Runtime，为开发者提供从零训练深度学习模型、导入Keras和ONNX模型进行推理，以及迁移学习功能。KotlinDL旨在简化深度学习的部署，是生产环境的理想选择。提供详尽的文档、教程和丰富的代码示例，帮助开发者轻松上手并优化深度学习应用。

通过本教程，学习如何利用神经网络为黑白照片自动上色。从基础到高级的GAN版本，逐步增加网络复杂度和自动化训练流程。教程覆盖安装步骤、数据集推荐及使用指南，适合各级用户。

本系统利用神经网络将语音映射到超球面，通过余弦相似度计算语音相似度，实现语者识别、验证与聚类。基于TensorFlow和Keras实现，支持多版本，提供可训练和预训练模型。适用于需大规模数据处理和高性能计算的用户，并提供详细的训练与测试指南。

keras3是R语言的高级神经网络接口，专注于快速实验和构建深度学习模型。它支持CPU和GPU无缝运行，提供用户友好的API。项目内置支持卷积网络和循环网络，支持多种网络架构。keras3适用于构建各类深度学习模型，帮助研究人员快速将想法转化为结果。

deeplearning-tensorflow2-notebooks是一个开源的深度学习资源库，基于TensorFlow 2和Keras构建。项目包含多个Jupyter笔记本，涵盖深度学习的基础和高级主题。特色内容包括感受野的计算和可视化，有助于理解深度学习模型的内部机制。这个资源库适合各层次的学习者，提供了实践性的学习材料。项目同时提供波斯语支持，增加了其国际化特性。

这些教程为深度学习和TensorFlow 2 的新手提供全面指导，涵盖简单线性模型、自然语言处理和图像生成等主题。每个教程附有详细代码示例和相应的YouTube视频讲解，帮助学习者快速掌握。适合希望深入了解TensorFlow及其应用的开发者和研究人员。

textgenrnn是一个基于Keras和TensorFlow的Python 3模块，只需几行代码即可训练不同规模和复杂度的文本生成神经网络。支持字符级和词级训练，并可使用预训练模型加快训练。其现代架构利用注意力加权和跳过嵌入等技术，提升模型质量和训练速度。可在GPU上训练并在CPU上生成文本，还可在Colab中免费试用。

本项目在Keras框架下实现了多种常用的深度强化学习算法模块化，包括A2C、A3C、DDPG、DDQN等。用户可以通过命令行参数运行不同的RL算法，并在OpenAI Gym环境中进行训练。项目支持模型可视化和Tensorboard监控，提供详细的算法说明和使用案例，帮助用户理解和应用这些技术。

TensorFlow I/O 扩展了 TensorFlow 的数据处理功能，支持多种文件系统和格式，简化数据集访问。通过 tensorflow-io，可直接使用 HTTP/HTTPS 读取和处理数据，无需下载或存储。此外，该项目支持 Docker 镜像和 R 包，兼容最新的 TensorFlow 版本，并集成多种系统和云服务。详细信息和使用示例请参考官方文档。

Talos通过自动化超参数实验和模型评估，提升了TensorFlow (tf.keras) 和 Keras 的工作流程，无需学习新的语法或模板。用户可以在几分钟内配置和评估超参数实验，适用于各种预测任务。Talos支持 Linux、Mac OS 和 Windows 系统，并兼容 CPU、GPU 和多 GPU 系统，非常适合研究者和数据科学家使用。

TensorFlow.NET为.NET Standard框架提供了TensorFlow绑定，使.NET开发者能够使用C#或F#进行机器学习模型的开发、训练和部署。项目内置Keras高级接口，支持将Python代码无缝移植到.NET环境，适用于Windows、Linux和MacOS系统，并支持CPU和GPU版本。

本课程结合先进训练技术和神经网络架构，使学生能够处理表格数据、图像、文本和音频。内容涵盖经典神经网络、卷积神经网络（CNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、生成对抗网络（GAN）和强化学习，应用于计算机视觉、时间序列、安全性、自然语言处理（NLP）和数据生成等领域。通过使用Python实现TensorFlow和Keras，课程特别侧重深度学习的实际应用。无需预先了解Python，但需具备基本编程知识。

Keras Attention Layer 支持 Luong 和 Bahdanau 的评分函数，与 Tensorflow 2.8 至 2.14 兼容。该层易于安装和使用，可根据需求调整参数，广泛应用于提高深度学习模型精度。提供丰富的实例和详细文档，包括在 LSTM 网络中的注意力机制实现，以及 IMDB 数据集和加数任务的实验数据。

visualkeras是一个用于可视化Keras和TensorFlow神经网络架构的Python库。它支持分层和图形两种架构生成样式,适用于CNN和前馈网络等多种模型。该库提供灵活的样式定制选项,包括生成图例、自定义颜色映射和隐藏特定层。用户可以通过多种参数控制图层间距、缩放和维度显示。visualkeras为神经网络架构的可视化提供了简单而功能丰富的解决方案,适用于研究和教育等多种场景。

keras-non-local-nets项目提供了Keras实现的非局部神经网络块。支持Gaussian、Embedded Gaussian和Dot等多种实例化方式，并通过可变屏蔽计算模式优化性能。项目包含使用模板和示例代码，便于集成到现有神经网络中。同时支持函数式API和Sequential API，适应不同的网络构建需求。

本书帮助读者在20天内系统性地掌握Pytorch，从基础到进阶，涵盖核心概念与实际应用。内容基于Pytorch官方文档，优化了结构和范例，提升了用户友好度。适合有一定基础的学习者，提供每日学习计划和实用代码，并附有资源获取方式。欢迎对Pytorch感兴趣的读者前来学习和讨论，获取全面的深度学习指南。

pytorch-summary提供类似Keras的model.summary()功能，帮助在PyTorch中可视化和调试模型。用户可以通过pip安装或从GitHub克隆获取，轻松查看模型参数和结构，支持多种输入格式。适用于各种神经网络模型，包括CNN和VGG16，支持计算模型大小和内存需求。该工具基于MIT许可，并由社区贡献者支持和启发。

OpenAI Lab提供统一的强化学习环境和代理接口，内置主要强化学习算法。用户可轻松进行大量超参数优化实验，自动生成日志、图表和分析报告。实验设置采用标准化JSON格式，确保实验可重复且易于比较。支持自动分析实验结果，帮助选择最佳解决方案，专注于强化学习的关键研究，如算法、策略、记忆和参数调优。

本教程使用Keras库构建深度神经网络，用于超声图像神经分割，特别适用于Kaggle竞赛。从数据预处理、模型定义、训练到提交文件生成，教程提供了详尽的步骤说明。实验表明该方法在测试图像中取得约0.57的得分，为后续优化提供了出发点。

onnx2tf工具解决了在onnx-tensorflow中大规模转置推测的问题，支持将ONNX文件从NCHW转换为TensorFlow、TFLite和Keras的NHWC格式。工具每日进行优化和修复，如遇问题建议尝试旧版本或等待最新更新。该工具兼容PyTorch生成的ONNX模型，支持多种层类型并可与TensorFlow/Keras/TFLite无缝集成。详细的环境配置和使用指南适用于Linux和Windows。

frugally-deep是一个小型的头文件库，允许在C++中运行Keras模型进行预测而无需依赖TensorFlow。它依赖于FunctionalPlus、Eigen和json头文件库，支持复杂的模型拓扑，并显著减小二进制大小。项目特点包括支持多种层类型、节省RAM以及通过并行处理提高预测性能。frugally-deep在单核CPU上表现相对较快，适合内存敏感和需要快速部署的应用。

TensorFlow Recommenders 是一款利用TensorFlow构建推荐系统模型的库。它涵盖了数据准备、模型构建、训练、评估和部署的完整工作流程，基于Keras，旨在为用户提供易学且灵活的体验，能够支持构建复杂模型。只需确保安装TensorFlow 2.x，并使用pip安装即可开始使用。详细的文档和教程能够帮助用户快速入门。

Keras Core 项目正在发展为 Keras 3，并已迁移至 keras-team/keras 仓库。这个多后端 Keras 框架经历了初始开发和公开测试阶段，即将以 Keras 3 的身份推出。项目保留了原有贡献者的工作，为深度学习开发提供了更灵活的后端选择。Keras 3 旨在实现跨平台的一致性体验，代表了 Keras 生态系统的重要演进。

opennsfw2是一个基于Keras的开源图像分类模型，用于检测不适宜工作场合(NSFW)的内容。该项目提供简单API，可对图片和视频进行NSFW概率预测。支持TensorFlow和JAX后端，兼容Python 3.9-3.11。项目功能包括图像预处理、模型加载和批量推理，是一个完整的NSFW内容检测工具。

SciKeras是一个开源项目，旨在为Keras模型提供Scikit-Learn兼容的包装器。作为tf.keras.wrappers.scikit_learn的继任者，SciKeras保持API兼容性的同时，提供了更多功能。该项目支持TensorFlow，可通过pip轻松安装。SciKeras不仅提供详细文档，还有完整的迁移指南，方便用户从原有框架过渡。项目基于scikit-learn 1.4.1post1及以上版本和Keras 3.2.0及以上版本，为机器学习实践者提供了一个强大的集成工具。

Keras.js项目已停止更新，建议使用TensorFlow.js。该项目允许在浏览器中运行Keras模型，并利用WebGL提供GPU支持。用户可以访问交互演示和文档，体验MNIST卷积网络、ResNet50、Inception v3等模型的应用。虽然Keras.js不再更新，但现有演示仍可使用，并且支持在Node.js中以CPU模式运行模型。

Google AI Gemma 网站展示了一系列高性能AI开放模型，旨在提供针对复杂数据、编程和科学计算的优化解决方案。Gemma系列模型，包括Gemma 1和Gemma 2，以不同的模型大小提供卓越性能，具备前沿的技术和可靠的设计，确保AI使用的安全性和责任感。

DeLFT是一个Keras和TensorFlow框架，专为序列标注（如命名实体识别、信息提取）和文本分类（如评论分类）优化。它重新实现了许多前沿深度学习模型，支持处理富文本格式和多种现代NLP架构，旨在提供高效、可靠且可集成的生产级应用。该框架包括各种分类器和评估标准，并支持多GPU训练和推理。

QKeras 是一个针对 Keras 的量化扩展工具，通过替换部分 Keras 层，能够快速创建量化版深度学习模型。项目设计遵循用户友好、模块化和易扩展的原则，包括 QDense 和 QConv2D 等多种量化层。QTools 用于辅助硬件实现和能耗估算，AutoQKeras 可以自动进行模型量化和重新平衡。此项目提供简单易用的界面，适用于快速原型设计、前沿研究和生产环境。

该工具支持将TensorFlow（包括tf-1.x和tf-2.x）、Keras、TensorFlow.js和TFLite模型转换为ONNX格式，支持命令行和Python API操作。兼容Windows和Linux操作系统，支持Python 3.7至3.10，以及多种ONNX opset（从opset 14至opset 18）和TensorFlow版本。提供详细的安装步骤、转换指南和常见问题解决方案，全面支持saved model、checkpoint和graphdef等多种模型格式。

Spektral是一个基于Keras API和TensorFlow 2的Python库，专为图神经网络（GNN）提供简单灵活的框架。该库适用于社交网络用户分类、分子性质预测、图生成、节点聚类和链接预测等任务。Spektral包含多种流行的图深度学习层，如GCN、Chebyshev、GraphSAGE、GAT等，并提供丰富的图操作工具。最新版1.0引入了新数据集、新容器、Loader类和transforms模块，简化了数据处理和模型训练。更多信息请参阅官方文档和示例。

TensorFlow Model Optimization Toolkit 提供稳定的 Python API，帮助用户通过量化和稀疏化技术优化机器学习模型，包括针对 Keras 的专用 API。该工具包还提供详细的安装指南、教程和 API 文档，显著提升模型在部署和执行时的性能。该项目由 TensorFlow 团队维护，并遵循其行为准则，开发者可以通过 GitHub 提交问题和贡献代码。

keras-cv 是基于 Keras 3 的模块化计算机视觉库，兼容 TensorFlow、JAX 和 PyTorch。它为数据增强、分类、目标检测等视觉任务提供高级组件，支持跨框架迁移，并包含预训练模型。该库旨在帮助开发者高效构建生产级计算机视觉应用。

ConditionalRecurrent是一个兼容Keras的包装器，用于基于时间不变数据进行条件时间序列预测。它支持各种循环层，通过学习条件表示来初始化RNN状态，有效模拟P(x_{t+1}|x_{0:t}, cond)。该库适用于包含外部输入的时间序列数据，如天气预测，为整合时间不变条件信息提供了实用的解决方案。