<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                合規國際互聯網加速 OSASE為企業客戶提供高速穩定SD-WAN國際加速解決方案。 廣告
                # 在 Keras 中獲得深度學習幫助的 9 種方法 > 原文: [https://machinelearningmastery.com/get-help-with-keras/](https://machinelearningmastery.com/get-help-with-keras/) Keras 是一個 Python 深度學習庫,可以使用高效的 Theano 或 TensorFlow 符號數學庫作為后端。 Keras 非常易于使用,您可以在幾分鐘內開發出您的第一個[多層感知器](http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/),[卷積神經網絡](http://machinelearningmastery.com/handwritten-digit-recognition-using-convolutional-neural-networks-python-keras/)或 [LSTM 遞歸神經網絡](http://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/)。 當您開始使用 Keras 時,您可能會遇到技術問題,這時候您可能需要一些幫助。 在這篇文章中,您將會發現在 Keras 開發深度學習模型遇到問題時可以提供解決方案的9種途徑。 讓我們現在開始吧! ## 如何最好地使用這些資源 第一步是了解此從哪里可以獲得幫助,但除此之外您需要知道如何充分利用這些資源。 以下是您可以使用的一些提示: * 將您的問題簡化為最簡單的形式,例如:不應該是“_我的模型不起作用_” 而是轉化為 “_x如何工作_”。 * 在提問之前搜索答案。 * 提供盡可能小的工作示例來演示您的問題。 ## 1\. Keras 用戶 Google Group ![Keras Users Google Group](https://img.kancloud.cn/f8/37/f837582f8e9237b0370b62ccab636bdc_1024x622.png) Keras 用戶 Google Group 也許向 Keras 社區提問的最直接的地方就是在 Google 群組(舊的 usenet)上的 Keras Users 群組上。 在這里,你不需要接受任何電子郵件,你可以直接在線訪問,我推薦以下方式: * [Keras Google 用戶組](https://groups.google.com/forum/#!forum/keras-users) ## 2\. Keras Slack Channel ![Keras Slack Channel](https://img.kancloud.cn/6b/6f/6b6f49616a11f6ea4022b8342ca72f44_1015x542.png) 也許Keras Slacks 頻道是可以直接聊聊Keras和相關問題的最佳方式。 這種方式現在基本上取代了 IM 和 IIRC。 不過,您必須先提交要求加入的申請。 * [Keras Slack 加入表格](https://keras-slack-autojoin.herokuapp.com/) * [Keras Slack Channel](https://kerasteam.slack.com/) ## 3\. Gitter 上的 Keras ![Keras Gitter Group](https://img.kancloud.cn/7a/40/7a403a7f45477bdb8935f470f67945e4_784x552.png) 另一個交流Keras的好地方是Keras Giiter,盡管組織比較松散,但這個平臺上仍然有大量的人。 盡管在這個論壇里盡情“遨游”吧! * [Keras Gitter 組織](https://gitter.im/Keras-io/Lobby#) ## 4\. StackOverflow 上的 Keras 標簽 ![Keras tag on StackOverflow](https://img.kancloud.cn/ea/cf/eacf9b8cbdb5b05ea3cb08f1385a36aa_794x578.png) StackOverflow 是一個致力于編程問題的問答網站,在這里有大量有關深度學習和與Keras相關的問題,我建議您可以直接搜索帶有“_Keras_”標簽的相關回答。 * StackOverflow 上的 [Keras 標簽](https://stackoverflow.com/questions/tagged/keras) ## 5. CrossValidated 上的Keras 標簽 ![Keras tag on CrossValidated](https://img.kancloud.cn/86/43/86430503e85812e3dd3eaf4f0a7158dc_768x684.png) CrossValidated 是一個致力于機器學習的問答網站,并且有很多關于Keras相關的問題,但它們可能多的是一些理論上的問題集合,而不是專注于代碼和編程。 同樣,我建議搜索并訪問使用“_keras_”標簽的問題。 * CrossValidated上的 [Keras 標簽](https://stats.stackexchange.com/questions/tagged/keras) ## 6.數據科學上的 Keras 標簽 ![Keras tag on DataScience Stack Exchange](https://img.kancloud.cn/46/a5/46a59cbf7a9f0d909d3d4fbeb082dc0b_792x693.png) 支持 StackOverflow 和 CrossValidated 的 StackExchange 網站也有一個專用于 DataScience 的站點。 它現在仍處于測試階段,尚未成為該網站的正式成員,盡管如此,該網站上還是有很多關于 Keras 的話題。 與其他兩個站點不同,這些話題可能更多的以過程導向為主。 同樣,我建議搜索并訪問帶有“ _keras_ ”標簽的話題。 * [數據科學堆棧交換中的 Keras 標簽](https://datascience.stackexchange.com/questions/tagged/keras) ## 7\. Quora 上的 Keras 主題 ![Keras topic on Quora](https://img.kancloud.cn/79/24/79246161c19552d3df63177a39ee0fb7_1024x614.png) Quora 是一個大型的通用問答網站(類似于中國的知乎),雖然它是通用的,但是仍然擁有很多技術相關的話題,包括 Keras 和深度學習。 這些問題的重點更多是基于文本解釋和說明性的,您可能會獲得有關技術的更多詳細信息,而不是實現細節。 我建議您直接在“ _Keras_ ”主題中搜索和提問。 * 關于 Quora 的 [Keras 主題](https://www.quora.com/topic/Keras) ## 8\. Keras Github 問題 ![Keras Github Issues](https://img.kancloud.cn/e3/67/e367c0c450ec809900d7a9d88658e37e_1024x716.png) Keras 是一個在 GitHub 上托管的開源項目。 GitHub 提供了一個基本的問題管理系統,Keras 項目報告了很多問題,雖然問題應該僅限于代碼的技術問題,但在這些問題上對 Keras 的討論卻令人驚訝。 我建議您搜索 Keras 問題,但只有您在發現錯誤或有新功能請求時才發布您的問題([請參閱指南](https://github.com/fchollet/keras/blob/master/CONTRIBUTING.md))。 * [Keras Github 問題](https://github.com/fchollet/keras/issues) ## 9\.Twitter 上的 Keras問題 ![Keras hash tag on Twitter](https://img.kancloud.cn/80/8a/808acfaa2f011326c0459fab07f07ab2_753x669.png) 您可以直接在 Twitter 上快速獲有關Keras的相關問題。 我建議您直接在 Twitter 搜索“ _keras_ ”。 我建議您還可以使用“ _keras_ ”標簽進行搜索并發布新的問題。 * Twitter 上的 [Keras 話題標簽](https://twitter.com/hashtag/keras) 您也可以通過關注 Keras 背后的創造者和首席開發人員,[Fran?oisChollet](https://twitter.com/fchollet)來獲得對于Keras更深刻的理解。 ## 其他 Keras 站點 以下是其他 Keras 網站,您可以在此獲得相關幫助。 * [Keras 官方博客](https://blog.keras.io/) * [Keras API 文檔](https://keras.io/) * [Keras 源代碼項目](https://github.com/fchollet/keras) ### 摘要 在這篇文章中,您了解了可以在全網范圍內獲得有關Keras深度學習的問答網站。 你有沒有使用過這些資源?你是怎么做到的? 您是否想在其他地方獲得有關Keras的幫助?請在下面的評論中告訴我。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看