《Keras深度學習實戰》是2020年2月人民郵電出版社出版的圖書，作者是[義大利]安東尼奧·古利、[印度]蘇伊特·帕爾。
基本介紹
- 書名：Keras深度學習實戰
- 作者：[義大利]安東尼奧·古利、[印度]蘇伊特·帕爾
- ISBN：9787115482228
- 頁數：232頁
- 定價：59元
- 出版社：人民郵電出版社
- 出版時間：2020年2月
- 裝幀：平裝
- 開本：16開
內容簡介,圖書目錄,
內容簡介
作為一kuan輕量級、模組化的開源深度學習框架，Keras以容易上手、利於快速原型實現、能夠與TensorFlow和Theano等後端計算平台很好兼容等優點，深客群多開發人員和研究人員的喜愛。
本書結合大量實例，簡明扼要地介紹了目前熱門的神經網路技術和深度學習技術。從經典的多層感知機到用於圖像處理的深度卷積網路，從處試宙只理序列化數據的循環網路到偽造仿真數據的生成對抗網路，從捉汽殼詞嵌入到AI遊戲套用中的強化學習，本書引ling讀者一層一層揭開深度學習的面紗，並在逐漸清晰的理論框架下，提供多個Python編碼實例，方便讀者動手實踐。
通過閱讀本書，讀者不僅能學會使用Keras快捷構建各個類型的深度網路，還可以按需自定義網路層和後端功能，從而提升自己的AI編程能力，在成為深度學習專家的路上更進一步。
圖書目錄
第 1章 神經網路基礎 1
1.1 感知機 2
第 一個Keras代碼示例 3
1.2 多層感知機—第 一個神經網路的示例 3
1.2.1 感知機訓練方案中的問題 4
1.2.2 激活函式—sigmoid 5
1.2.3 激活函式—ReLU 5
1.2.4 激活函式 6
1.3 實例—手寫數字識別 6
1.3.1 One-hot編碼—OHE 7
1.3.2 用Keras定義簡單神經網路 7
1.3.3 運行一個簡單的Keras網路並創建基線 10
1.3.4 用隱藏層改進簡單網路 11
1.3.5 用dropout進辯臭囑一步改進簡單網路 14
1.3.6 Keras中的不同最佳化器測試 16
1.3.7 增加訓練輪數 20
1.3.8 控制最佳化器的學習率 20
1.3.9 增加內部隱藏神經元的數量 21
1.3.10 增加批處理的大小 22
1.3.11 識別手永判寫數字的實驗總結 22
1.3.12 採用正則化方法避免過擬合 22
1.3.13 超參數調優 24
1.3.14 輸出預測 24
1.4 一種實用的反向傳播概述 25
1.5 走向深度學習之路 26
1.6 小結 27
第 2章 Keras安裝和API 28
2.1 安裝Keras 28
2.1.1 第 1步—安裝依賴項 28
2.1.2 第 2步—安裝迎旋煮榆Theano 29
2.1.3 第3步—道寒格拘安裝TensorFlow 29
2.1.4 第4步—安裝Keras 30
2.1.5 第5步—測試Theano、TensorFlow和Keras 30
2.2 配置Keras 31
2.3 在Docker上安裝Keras 32
2.4 在谷歌Cloud ML上安裝Keras 34
2.5 在亞馬遜AWS上安裝Keras 36
2.6 在微軟Azure上安裝Keras 37
2.7 Keras API 39
2.7.1 從Keras架構開始 40
2.7.2 預定義神經網路層概述 40
2.7.3 預定義激活函式概述 43
2.7.4 損失函式概述 44
2.7.5 評估函式概述 44
2.7.6 最佳化器概述 44
2.7.7 一些有用的操作 44
2.7.8 保存和載入權重及模型結構 45
2.8 自定義訓練過程的回調函式 45
2.8.1 檢查點設定 45
2.8.2 使用TensorBoard 47
2.8.3 使用Quiver 47
2.9 小結 堡希院48
第3章 深度學習之卷積網路 49
3.1 深度卷積神經網路—DCNN 50
3.1.1 局部感受野 50
3.1.2 共享權重和偏置 51
3.1.3 池化層 51
3.2 DCNN示例—LeNet 52
3.2.1 用Keras構建LeNet代碼 53
3.2.2 深度學習的本領 59
3.3 用深度學習網路識別CIFAR-10圖像 60
3.3.1 用深度學習網路改進CIFAR-10的性能 64
3.3.2 通過數據增加改善CIFAR-10的性能 66
3.3.3 用CIFAR-10進行預測 68
3.4 用於大型圖片識別的極深度卷積網路 69
3.4.1 用VGG-16網路識別貓 71
3.4.2 使用Keras內置的VGG-16網路模組 72
3.4.3 為特徵提取回收內置深度學習模型 73
3.4.4 用於遷移學習的極深inception-v3網路 74
3.5 小結 76
第4章 生成對抗網路和WaveNet 78
4.1 什麼是生成對抗網路 78
生成對抗網路的一些套用 80
4.2 深度卷積生成對抗網路 82
4.3 用Keras adversarial生成MNIST數據 85
4.4 用Keras adversarial生成CIFAR數據 91
4.5 WaveNet—一個學習如何產生音頻的生成模型 99
4.6 小結 108
第5章 詞嵌入 109
5.1 分散式表示 110
5.2 word2vec 110
5.2.1 skip-gram word2vec模型 111
5.2.2 CBOW word2vec模型 114
5.2.3 從模型中提取word2vec向量 116
5.2.4 使用word2vec的第三方實現 117
5.3 探索GloVe 121
5.4 使用預訓練好的詞向量 122
5.4.1 從頭開始學習詞向量 123
5.4.2 從word2vec中微調訓練好的詞向量 127
5.4.3 從GloVe中微調訓練好的詞向量 131
5.4.4 查找詞向量 132
5.5 小結 136
第6章 循環神經網路—RNN 137
6.1 SimpleRNN單元 138
用Keras實現SimpleRNN—生成文本 139
6.2 RNN拓撲結構 143
6.3 梯度消失和梯度爆炸 145
6.4 長短期記憶網路—LSTM 146
用Keras實現LSTM—情感分析 148
6.5 門控循環單元—GRU 153
用Keras實現GRU—詞性標註 154
6.6 雙向RNN 160
6.7 有狀態RNN 161
用Keras實現有狀態LSTM—電量消費預測 161
6.8 其他RNN變體 167
6.9 小結 167
第7章 其他深度學習模型 169
7.1 Keras函式API 170
7.2 回歸網路 172
Keras回歸示例—預測空氣中的苯含量 172
7.3 無監督學習—自動編碼器 176
Keras自動編碼器示例—句向量 178
7.4 構造深度網路 185
Keras示例—問答記憶網路 185
7.5 自定義Keras 192
7.5.1 Keras示例—使用lambda層 193
7.5.2 Keras示例—自定義歸一化層 193
7.6 生成模型 196
7.6.1 Keras示例—Deep Dreaming 197
7.6.2 Keras示例—風格轉換 204
7.7 小結 208
第8章 遊戲中的AI 210
8.1 強化學習 211
8.1.1 最da化未來獎賞 212
8.1.2 Q學習 212
8.1.3 深度Q網路作為Q函式 213
8.1.4 探索和利用的平衡 214
8.1.5 經驗回放，或經驗值 215
8.2 示例—用Keras深度Q網路實現捕捉遊戲 215
8.3 未來之路 226
8.4 小結 228
第9章 結束語 229
9.1 Keras 2.0—新特性 230
9.1.1 安裝Keras 2.0 230
9.1.2 API的變化 231
2.3 在Docker上安裝Keras 32
2.4 在谷歌Cloud ML上安裝Keras 34
2.5 在亞馬遜AWS上安裝Keras 36
2.6 在微軟Azure上安裝Keras 37
2.7 Keras API 39
2.7.1 從Keras架構開始 40
2.7.2 預定義神經網路層概述 40
2.7.3 預定義激活函式概述 43
2.7.4 損失函式概述 44
2.7.5 評估函式概述 44
2.7.6 最佳化器概述 44
2.7.7 一些有用的操作 44
2.7.8 保存和載入權重及模型結構 45
2.8 自定義訓練過程的回調函式 45
2.8.1 檢查點設定 45
2.8.2 使用TensorBoard 47
2.8.3 使用Quiver 47
2.9 小結 48
第3章 深度學習之卷積網路 49
3.1 深度卷積神經網路—DCNN 50
3.1.1 局部感受野 50
3.1.2 共享權重和偏置 51
3.1.3 池化層 51
3.2 DCNN示例—LeNet 52
3.2.1 用Keras構建LeNet代碼 53
3.2.2 深度學習的本領 59
3.3 用深度學習網路識別CIFAR-10圖像 60
3.3.1 用深度學習網路改進CIFAR-10的性能 64
3.3.2 通過數據增加改善CIFAR-10的性能 66
3.3.3 用CIFAR-10進行預測 68
3.4 用於大型圖片識別的極深度卷積網路 69
3.4.1 用VGG-16網路識別貓 71
3.4.2 使用Keras內置的VGG-16網路模組 72
3.4.3 為特徵提取回收內置深度學習模型 73
3.4.4 用於遷移學習的極深inception-v3網路 74
3.5 小結 76
第4章 生成對抗網路和WaveNet 78
4.1 什麼是生成對抗網路 78
生成對抗網路的一些套用 80
4.2 深度卷積生成對抗網路 82
4.3 用Keras adversarial生成MNIST數據 85
4.4 用Keras adversarial生成CIFAR數據 91
4.5 WaveNet—一個學習如何產生音頻的生成模型 99
4.6 小結 108
第5章 詞嵌入 109
5.1 分散式表示 110
5.2 word2vec 110
5.2.1 skip-gram word2vec模型 111
5.2.2 CBOW word2vec模型 114
5.2.3 從模型中提取word2vec向量 116
5.2.4 使用word2vec的第三方實現 117
5.3 探索GloVe 121
5.4 使用預訓練好的詞向量 122
5.4.1 從頭開始學習詞向量 123
5.4.2 從word2vec中微調訓練好的詞向量 127
5.4.3 從GloVe中微調訓練好的詞向量 131
5.4.4 查找詞向量 132
5.5 小結 136
第6章 循環神經網路—RNN 137
6.1 SimpleRNN單元 138
用Keras實現SimpleRNN—生成文本 139
6.2 RNN拓撲結構 143
6.3 梯度消失和梯度爆炸 145
6.4 長短期記憶網路—LSTM 146
用Keras實現LSTM—情感分析 148
6.5 門控循環單元—GRU 153
用Keras實現GRU—詞性標註 154
6.6 雙向RNN 160
6.7 有狀態RNN 161
用Keras實現有狀態LSTM—電量消費預測 161
6.8 其他RNN變體 167
6.9 小結 167
第7章 其他深度學習模型 169
7.1 Keras函式API 170
7.2 回歸網路 172
Keras回歸示例—預測空氣中的苯含量 172
7.3 無監督學習—自動編碼器 176
Keras自動編碼器示例—句向量 178
7.4 構造深度網路 185
Keras示例—問答記憶網路 185
7.5 自定義Keras 192
7.5.1 Keras示例—使用lambda層 193
7.5.2 Keras示例—自定義歸一化層 193
7.6 生成模型 196
7.6.1 Keras示例—Deep Dreaming 197
7.6.2 Keras示例—風格轉換 204
7.7 小結 208
第8章 遊戲中的AI 210
8.1 強化學習 211
8.1.1 最da化未來獎賞 212
8.1.2 Q學習 212
8.1.3 深度Q網路作為Q函式 213
8.1.4 探索和利用的平衡 214
8.1.5 經驗回放，或經驗值 215
8.2 示例—用Keras深度Q網路實現捕捉遊戲 215
8.3 未來之路 226
8.4 小結 228
第9章 結束語 229
9.1 Keras 2.0—新特性 230
9.1.1 安裝Keras 2.0 230
9.1.2 API的變化 231
