TensorBoard  TensorBoard是TensorFlow提供的可视化工具。需要安装TensorFlow才能使用此回调。此回调记录TensorBoard的事件，包括：度量汇总图、训练图可视化、重量直方图、采样剖面。 keras.callbacks.TensorBoard(log_dir="logs",histogram_freq=0,write_graph=True,write_i

简介         残差连接是一种非常重要的网络结构创新，最早被广泛应用于ResNet（Residual Neural Network）模型中，由何凯明等人在2015年的论文"Deep Residual Learning for Image Recognition"中提出。   核心思想       通过引入“shortcut connections”或者叫做捷径，直接将输入信息跳过若干

一、创建自定义图片数据集 1、数据收集 以10张小狗图片和10张小猫图片为例 2、数据预处理 1、创建Excel表格，并在其中创建两列，一列是图片路径，另一列是对应的标签（狗0、猫1）  2、用pandas库的read_excel函数读取Excel，用PIL库的Image函数将图片数据格式化 import pandas as pdfrom sklearn.model_se

Optimizers 优化器（Optimizer）是深度学习中用于更新模型参数的一种方法，它的目标是最小化损失函数。在训练神经网络时，我们通常使用梯度下降法来更新参数，而优化器就是实现这一过程的工具。优化器的主要作用是在每次迭代过程中计算损失函数关于模型参数的梯度，并根据梯度的方向和大小来更新参数，从而使得模型逐渐逼近最优解。 常用的优化器 SGD：随机梯度下降这是一种基本的优化算法，通过迭

1、GPT2Tokenizer 用于将文本数据转换为适合训练和预测的格式，主要功能是将输入的文本进行分词、编码等操作，以便在神经网络中使用 keras_nlp.models.GPT2Tokenizer(vocabulary, merges, **kwargs) 参数说明  vocabulary：一个字典，包含词汇表的映射关系。键是单词，值是对应的索引。merges：一个列表，包含合并规则。

Stable Diffusion 图像生成模型，可用于根据简短的文本描述（称为“提示”）生成图片 keras_cv.models.StableDiffusion(img_height=512, img_width=512, jit_compile=True) 参数说明  img_height：int，要生成的图像的高度，以像素为单位。请注意，仅支持128的倍数；所提供的值将四舍五入到最

1、MaxPooling1D layer 一维最大池化层 keras.layers.MaxPooling1D(pool_size=2, strides=None, padding="valid", data_format=None, name=None, **kwargs) 参数说明 pool_size：整数或整数元组，表示池化窗口的大小。如果为整数，则在每个维度上使用相同的池化窗口大小

1、Input keras.Input(shape=None,batch_size=None,dtype=None,sparse=None,batch_shape=None,name=None,tensor=None,) 参数说明 shape: 输入张量的形状。如果为None，则可以动态地指定形状。batch_size: 批处理大小。如果为None，则可以动态地指定批处理大小。dtype:

1、Conv1D layer 通常对一维度数组（例：arr = np.array([1, 2, 3, 4, 5])）进行卷积操作 keras.layers.Conv1D(filters,kernel_size,strides=1,padding="valid",data_format=None,dilation_rate=1,groups=1,activation=None,use_bias=