深度學習：基於Keras的Python實踐

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籃鑽夜經理，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 本書道寒記試說明/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數拔盛據集/17

3.3 導入數據/18

3.4 定義模型/19

3.5 編譯殃才辨模型/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 隨捆訂煮榆機梯度下降算法/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：波士頓房價只茅市預測/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 數仔束戲據導入與預處理/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

深度學習：基於Keras的Python實踐

基本介紹

內容簡介

圖書目錄

熱門詞條