《深度學習：基於Keras的Python實踐》是2018年6月電子工業出版社出版的圖書，作者是魏貞原。
基本介紹
- 書名：深度學習：基於Keras的Python實踐
- 作者：魏貞原
- ISBN：9787121341472
- 頁數：244頁
- 定價：59元
- 出版社：電子工業出版社
- 出版時間：2018年6月
- 開本：16開
內容簡介,圖書目錄,
內容簡介
本書系統的講解了深度的基本知識，以及使用機器學習解決實際問題，詳細的介紹了如何構建及最佳化模型，並針對不同的問題給出了不同的解決方案，通過不同的例子展示了具體的項目中的套用和實踐經驗，是一本非常好的深度學習的入門和實踐的書籍。本書以實踐為導向，使用 Keras作為編程框架，強調簡單，快速的上手建立模型，解決實際項目問題。讀者可以根據本書的理解，迅速上手實踐深度學習，並利用深度學習解決實際的問題。本書非常適合於項目經理，有意從事機器學習開發的程式設計師，以及高校在讀相關專業的學生。
圖書目錄
第一部分 初識
1 初識深度學習/2
1.1 Python的深度學習/2
1.2 軟體環境和基本要求/3
1.2.1 Python和SciPy/3
1.2.2 機器學習/3
1.2.3 深度學習/4
1.3 閱讀本書的收穫/4
1.4 本書說明/4
1.5 本書中的代碼/5
2 深度學習生態圈/6
2.1 CNTK/6
2.1.1 安裝CNTK/7
2.1.2 CNTK的簡單例子/8
2.2 TensorFlow/8
2.2.1 TensorFlow介紹/8
2.2.2 安裝TensorFlow/9
2.2.3 TensorFlow的簡單例子/9
2.3 Keras/10
2.3.1 Keras簡介/11
2.3.2 Keras安裝/11
2.3.3 配置Keras的後端/11
2.3.4 使用Keras構建深度學習模型/12
2.4 雲端GPUs計算/13
第二部分 多層感知器
3 第一個多層感知器實例：印第安人糖尿病診斷/16
3.1 概述/16
3.2 Pima Indians數據集/17
3.3 導入數據/18
3.4 定義模型/19
3.5 編譯模型/20
3.6 訓練模型/21
3.7 評估模型/21
3.8 匯總代碼/22
4 多層感知器速成/24
4.1 多層感知器/24
4.2 神經元/25
4.2.1 神經元權重/25
4.2.2 激活函式/26
4.3 神經網路/27
4.3.1 輸入層（可視層）/28
4.3.2 隱藏層/28
4.3.3 輸出層/28
4.4 訓練神經網路/29
4.4.1 準備數據/29
4.4.2 隨機梯度下降算法/30
4.4.3 權重更新/30
4.4.4 預測新數據/31
5 評估深度學習模型/33
5.1 深度學習模型和評估/33
5.2 自動評估/34
5.3 手動評估/36
5.3.1 手動分離數據集並評估/36
5.3.2 k折交叉驗證/37
6 在Keras中使用Scikit-Learn/40
6.1 使用交叉驗證評估模型/41
6.2 深度學習模型調參/42
7 多分類實例：鳶尾花分類/49
7.1 問題分析/49
7.2 導入數據/50
7.3 定義神經網路模型/50
7.4 評估模型/52
7.5 匯總代碼/52
8 回歸問題實例：波士頓房價預測/54
8.1 問題描述/54
8.2 構建基準模型/55
8.3 數據預處理/57
8.4 調參隱藏層和神經元/58
9 二分類實例：銀行行銷分類/61
9.1 問題描述/61
9.2 數據導入與預處理/62
9.3 構建基準模型/64
9.4 數據格式化/66
9.5 調參網路拓撲圖/66
10 多層感知器進階/68
10.1 JSON序列化模型/68
10.2 YAML序列化模型/74
10.3 模型增量更新/78
10.4 神經網路的檢查點/81
10.4.1 檢查點跟蹤神經網路模型/82
10.4.2 自動保存最優模型/84
10.4.3 從檢查點導入模型/86
10.5 模型訓練過程可視化/87
11 Dropout與學習率衰減92
11.1 神經網路中的Dropout/92
11.2 在Keras中使用Dropout/93
11.2.1 輸入層使用Dropout/94
11.2.2 在隱藏層使用Dropout/95
11.2.3 Dropout的使用技巧/97
11.3 學習率衰減/97
11.3.1 學習率線性衰減/98
11.3.2 學習率指數衰減/100
11.3.3 學習率衰減的使用技巧/103
第三部分 卷積神經網路
12 卷積神經網路速成/106
12.1 卷積層/108
12.1.1 濾波器/108
12.1.2 特徵圖/109
12.2 池化層/109
12.3 全連線層/109
12.4 卷積神經網路案例/110
13 手寫數字識別/112
13.1 問題描述/112
13.2 導入數據/113
13.3 多層感知器模型/114
13.4 簡單卷積神經網路/117
13.5 複雜卷積神經網路/120
14 Keras中的圖像增強/124
14.1 Keras中的圖像增強API/124
14.2 增強前的圖像/125
14.3 特徵標準化/126
14.4 ZCA白化/128
14.5 隨機旋轉、移動、剪下和反轉圖像/129
14.6 保存增強後的圖像/132
15 圖像識別實例：CIFAR-10分類/134
15.1 問題描述/134
15.2 導入數據/135
15.3 簡單卷積神經網路/136
15.4 大型卷積神經網路/140
15.5 改進模型/145
16 情感分析實例：IMDB影評情感分析/152
16.1 問題描述/152
16.2 導入數據/153
16.3 詞嵌入/154
16.4 多層感知器模型/155
16.5 卷積神經網路/157
第四部分 循環神經網路
17 循環神經網路速成/162
17.1 處理序列問題的神經網路/163
17.2 循環神經網路/164
17.3 長短期記憶網路/165
18 多層感知器的時間序列預測：國際旅行人數預測/167
18.1 問題描述/167
18.2 導入數據/168
18.3 多層感知器/169
18.4 使用視窗方法的多層感知器/172
19 LSTM時間序列問題預測：國際旅行人數預測177
19.1 LSTM處理回歸問題/177
19.2 使用視窗方法的LSTM回歸/181
19.3 使用時間步長的LSTM回歸/185
19.4 LSTM的批次間記憶/188
19.5 堆疊LSTM的批次間記憶/192
20 序列分類：IMDB影評分類/197
20.1 問題描述/197
20.2 簡單LSTM/197
20.3 使用Dropout改進過擬合/199
20.4 混合使用LSTM和CNN/201
21 多變數時間序列預測：PM2.5預報/203
21.1 問題描述/203
21.2 數據導入與準備/204
21.3 構建數據集/206
21.4 簡單LSTM/207
22 文本生成實例：愛麗絲夢遊仙境/211
22.1 問題描述/211
22.2 導入數據/212
22.3 分詞與向量化/212
22.4 詞雲/213
22.5 簡單LSTM/215
22.6 生成文本/219
附錄A 深度學習的基本概念/223
A.1 神經網路基礎/223
A.2 卷積神經網路/227
A.3 循環神經網路/229
