介绍 此模型为ResNet-50 的Keras预训练模型。深度残差学习用于图像识别，更深的神经网络更难训练。我们提出了一种残差的学习框架，以简化比以前使用的网络更深入的网络训练。 显式地将层重新配置为参考层输入学习残差函数，而不是学习未引用的函数。全面的经验证据表明这些残差网络更易于优化，并且可以通过大大增加的深度来获得准确性。在ImageNet数据集上，评估深度最大为152层的残差网络比VGG网络深8倍，但复杂度仍然较低。 预先训练的模型已先前在数据集上进行训练，并且包含权重和偏差，这些权重和偏差表示代表所训练的任何数据集的特征。学习函数通常可以转移应用不同的数据。例如，在大型鸟类图像数据集上训练的模型包含转移数据集的学习到的特征，例如边缘或水平线。通过使用预先训练的模型，可以节省时间。 转载自https://www.kaggle.com/keras/resnet50

介绍 该数据集有助于在内核中使用预训练的keras模型。 内容 Model (Top-1 Accuracy | Top -5 Accuracy) Xception (0.790 | 0.945) VGG16 (0.715 | 0.901) VGG19 (0.727 | 0.910) ResNet50 (0.759 | 0.929) InceptionV3 (0.788 | 0.944) InceptionResNetV2 (0.804 | 0.953) (could not upload due to 500 MB limit)

介绍 地标识别可以直接从图像像素预测地标标签，帮助人们更好地理解和组织照片集。数据集分为两组图像，以评估两个不同的计算机视觉任务：识别和检索。 内容 数据集包含在线可公开获得的图像的URL，不发布任何图像数据，仅发布URL。 数据集包含测试图像，训练图像和索引图像。在两个任务中使用了测试图像：对于识别任务，可以为每个测试图像预测界标标签；对于检索任务，可以为每个测试图像检索相关的索引图像。训练图像与地标标签相关联，可用于训练识别和检索挑战的模型。索引图像用于检索任务，构成应从中检索图像的集合。 识别和检索任务的测试集是相同的，但是，两个任务的训练集和索引集不同。

ANN神经网络层的每个神经元都被激活了吗?如果没有，是什么因素影响了他们有没有被激活?同理，网络层的每个节点都有其偏置吗？

创建该数据库以根据语音和语音的声学特性将语音识别为男性还是女性。该数据集包括从男性和女性说话者那里收集的3168个录制的语音样本。 使用seewave和tuneR软件包在R中通过声学分析对语音样本进行预处理，分析的频率范围为0hz-280hz（人声范围）。 数据集 测量每个语音的以下声学属性，并将其包含在CSV中： meanfreq：平均频率（以kHz为单位） sd：频率标准偏差 中位数：中位数频率（以kHz为单位） Q25：第一个分位数（以kHz为单位） Q75：第三分位数（以kHz为单位） IQR：分位数范围（以kHz为单位） 偏斜：偏斜（请参阅特殊说明中的注释） kurt：峰度（请参阅规范说明中的注释） sp.ent：频谱熵 sfm：光谱平坦度 模式：模式频率 质心：频率质心（请参阅specprop） peakf：峰值频率（具有最高能量的频率） meanfun：跨声信号测得的基频平均值 minfun：跨声学信号测得的最小基频 maxfun：跨声学信号测得的最大基频 meandom：整个声信号测得的主频的平均值 mindom：整个声信号测得的主频的最小值 maxdom：整个声信号测得的主频最大值 dfrange：跨声信号测得的主频范围 modindx：调制指数。计算为相邻基频测量之间的累计绝对差除以频率范围 标签：男性或女性 准确性 基线（总是预测男性） 50％/ 50％ 逻辑回归 97％/ 98％ CART 96％/ 97％ 随机森林 100％/ 98％ 支持向量机 100％/ 99％ XGBoost 100％/ 99％ via:https://www.kaggle.com/primaryobjects/voicegender

介绍 PyTorch 1.0.0的Densenet和Resnet预训练模型。 共包含4个文件： densenet121.pth densenet201.pth resnet34.pth resnet50.pth 用法 转载https://www.kaggle.com/bminixhofer/pytorch-pretrained-image-models?select=resnet50.pth