《Keras實戰：基於TensorFlow2.2的深度學習實踐》是清華大學出版社出版圖書。
基本介紹
- 中文名：Keras實戰：基於TensorFlow2.2的深度學習實踐
- 作者：王曉華
- ISBN：9787302576112
- 定價：59 元
- 出版日期：2021年4月1日
- 出版社：清華大學出版社
內容簡介,目錄,作者簡介,
內容簡介
Keras是一個用Python編寫的開源人工神經網路庫，可以作為TensorFlow、CNTK和Theano的高階應用程式接口，進行深度學習模型的設計、調試、評估、套用和可視化。本書從初學者的角度出發，為讀者構建一個完整的Keras技術體系。本書共分為9章，主要內容包括深度學習框架Keras的背景、搭建學習環境、深度學習的理論基礎、卷積層與MNIST實戰、多層感知機與MNIST實戰、TensorFlow Datasets和TensorBoard、ResNet及其兄弟ResNext，最後是兩個項目實戰案例——詞嵌入與情感分類。本書既適合Keras深度學習初學者、深度學習算法技術人員閱讀，也適合作為高等院校與培訓機構人工智慧相關專業的師生參考。
目錄
第1章 深度學習與套用框架 1
1.1 何為深度學習 1
1.1.1 何為深度學習 1
1.1.2 與傳統的“淺層學習”的區別 3
1.2 開汽車或者製造汽車——深度學習入門 4
1.2.1 第一步：數據的準備 4
1.2.2 第二步：數據的處理 5
1.2.3 第三步：模型的設計 6
1.2.4 第四步：模型的訓練 6
1.2.5 第五步：模型的結果和展示 7
1.3 深度學習的流程、套用場景和模型分類 8
1.3.1 深度學習的流程與套用場景 8
1.3.2 深度學習的模型分類 9
1.4 主流深度學習框架對比 11
1.4.1 深度學習框架的選擇 11
1.4.2 Keras與TensorFlow 12
1.5 本章小結 13
第2章 Hello TensorFlow & Keras 14
2.1 TensorFlow的環境安裝 14
2.1.1 Anaconda的下載與安裝 14
2.1.2 Python編譯器PyCharm的安裝 17
2.1.3 使用Python計算softmax函式 20
2.2 搭建環境2：安裝TensorFlow 2.2 21
2.2.1 安裝TensorFlow 2.2的CPU版本 21
2.2.2 安裝TensorFlow 2.2的GPU版本 21
2.2.3 練習——Hello TensorFlow 24
2.3 TensorFlow & Keras 25
2.3.1 模型！模型！模型！還是模型 25
2.3.2 使用Keras API實現鳶尾花分類的例子（順序模型） 26
2.3.3 使用Keras 函式式編程實現鳶尾花分類的例子（重點） 29
2.3.4 使用保存的Keras模式對模型進行復用 32
2.3.5 使用TensorFlow 標準化編譯對iris模型進行擬合 33
2.3.6 多輸入單一輸出TensorFlow 編譯方法（選學） 37
2.3.7 多輸入多輸出TensorFlow 編譯方法（選學） 41
2.4 全連線層詳解 42
2.4.1 全連線層的定義與實現 43
2.4.2 使用Keras實現全連線層 44
2.4.3 列印顯示已設計的模型結構和參數 47
2.5 懶人的福音——Keras模型庫 49
2.5.1 ResNet50模型和參數的載入 50
2.5.2 使用ResNet50作為特徵提取層建立模型 52
2.6 本章小結 54
第3章 深度學習的理論基礎 55
3.1 BP神經網路簡介 56
3.2 BP神經網路兩個基礎算法詳解 59
3.2.1 最小二乘法詳解 59
3.2.2 道士下山的故事——梯度下降算法 62
3.3 反饋神經網路反向傳播算法 65
3.3.1 深度學習基礎 65
3.3.2 鏈式求導法則 66
3.3.3 反饋神經網路原理與公式推導 67
3.3.4 反饋神經網路原理的激活函式 72
3.3.5 反饋神經網路原理的Python實現 74
3.4 本章小結 78
第4章 卷積層與MNIST實戰 79
4.1 卷積運算基本概念 79
4.1.1 卷積運算 80
4.1.2 TensorFlow中卷積函式的實現 82
4.1.3 池化運算 84
4.1.4 softmax激活函式 85
4.1.5 卷積神經網路原理 86
4.2 編程實戰：MNIST手寫體識別 89
4.2.1 MNIST數據集 89
4.2.2 MNIST數據集特徵和標籤 91
4.2.3 TensorFlow 2.2編程實戰：MNIST數據集 94
4.2.4 使用自定義的卷積層實現MNIST識別 98
4.3 本章小結 101
第5章 多層感知機與MNIST實戰 102
5.1 一個簡單的多層感知機 102
5.1.1 多層感知機的原理與實現 102
5.1.2 多層感知機的激活函式 106
5.2 消除過擬合——正則化與dropout 108
5.2.1 正則化與dropout概述 109
5.2.2 使用防過擬合處理的多層感知機 110
5.2.3 Keras創建多層感知機的細節問題 112
5.3 本章小結 113
第6章 TensorFlow Datasets和TensorBoard 114
6.1 TensorFlow Datasets簡介 114
6.1.1 Datasets數據集的安裝 116
6.1.2 Datasets數據集的使用 116
6.2 Datasets 數據集的使用——FashionMNIST 118
6.2.1 FashionMNIST數據集下載與展示 119
6.2.2 模型的建立與訓練 121
6.3 使用Keras對FashionMNIST數據集進行處理 123
6.3.1 獲取數據集 123
6.3.2 數據集的調整 124
6.3.3 使用Python類函式建立模型 124
6.3.4 模型的查看和參數列印 126
6.3.5 模型的訓練和評估 127
6.4 使用TensorBoard可視化訓練過程 130
6.4.1 TensorBoard的資料夾設定 130
6.4.2 TensorBoard的顯式調用 131
6.4.3 TensorBoard的使用 133
6.5 本章小結 137
第7章 從冠軍開始：ResNet 138
7.1 ResNet的基本原理與程式設計基礎 139
7.1.1 ResNet誕生的背景 139
7.1.2 模組工具的TensorFlow實現——不要重複造輪子 142
7.1.3 TensorFlow 高級模組layers的用法 143
7.2 ResNet實戰：CIFAR-100數據集分類 150
7.2.1 CIFAR-100數據集簡介 151
7.2.2 ResNet殘差模組的實現 154
7.2.3 ResNet網路的實現 156
7.2.4 使用ResNet對CIFAR-100數據集進行分類 159
7.3 ResNet的兄弟——ResNeXt 160
7.3.1 ResNeXt誕生的背景 161
7.3.2 ResNeXt殘差模組的實現 162
7.3.3 ResNeXt網路的實現 163
7.3.4 ResNeXt和ResNet的比較 165
7.4 本章小結 166
第8章 Keras實戰——有趣的詞嵌入 167
8.1 文本數據處理 167
8.1.1 數據集和數據清洗 168
8.1.2 停用詞的使用 170
8.1.3 詞向量訓練模型word2vec的使用 173
8.1.4 文本主題的提取：基於TF-IDF（選學） 176
8.1.5 文本主題的提取：基於TextRank（選學） 180
8.2 更多的詞嵌入方法——fastText和預訓練詞向量 183
8.2.1 fastText的原理與基礎算法 184
8.2.2 fastText訓練以及與TensorFlow 2.X的協同使用 185
8.2.3 使用其他預訓練參數做TensorFlow詞嵌入矩陣（中文） 192
8.3 針對文本的卷積神經網路模型——字元卷積 193
8.3.1 字元（非單詞）文本的處理 193
8.3.2 卷積神經網路文本分類模型的實現——conv1d（一維卷積） 201
8.4 針對文本的卷積神經網路模型——詞卷積 202
8.4.1 單詞的文本處理 203
8.4.2 卷積神經網路文本分類模型的實現——conv2d（二維卷積） 205
8.5 使用卷積對文本分類的補充內容 208
8.5.1 中文的文本處理 209
8.5.2 其他細節 211
8.6 本章小結 212
第9章 Keras實戰——站在巨人肩膀上的情感分類實戰 213
9.1 GRU與情感分類 213
9.1.1 使用GRU的情感分類 213
9.1.2 什麼是GRU 214
9.1.3 TensorFlow中的GRU層 217
9.1.4 單向不行就雙向 217
9.2 站在巨人肩膀上的情感分類 218
9.2.1 使用TensorFlow自帶的模型做文本分類 219
9.2.2 使用自定義的DPCNN做模型分類 223
9.3 本章小結 227
作者簡介
王曉華，計算機專業講師，長期講授面向對象程式設計、數據結構、Hadoop程式設計等研究生和本科生相關課程；主要研究方向為雲計算、數據挖掘。曾主持和參與多項國家和省級科研課題，獨立科研項目獲省級成果認定，發表過多篇論文，擁有一項專利。著有《Spark MLlib機器學習實踐》《TensorFlow深度學習套用實踐》《OpenCV+TensorFlow深度學習與計算機視覺實戰》《TensorFlow 2.0卷積神經網路實戰》等圖書。
