TensorFlow與Keras

《TensorFlow與Keras》是2021年中國水利水電出版社出版的圖書。

基本介紹

• 中文名：TensorFlow與Keras
• 出版時間：2021年10月1日
• 出版社： 中國水利水電出版社
• ISBN：9787517090564

內容簡介

《TensorFlow與Keras——Python深度學習套用實戰》是一本使用Python+TensorFlow+Keras實現深度學習的入門圖書，全書秉持“先圖解、再實現，而後實戰套用”的精神，帶你實際訓練自己的深度學習模型。其中第1篇詳細介紹了人工智慧、機器學習、深度學習基礎，TensorFlow和Keras開發環境的搭建；第2篇介紹了多層感知器在回歸問題和分類問題中的套用；第3篇介紹了卷積神經網路CNN在計算機視覺中的套用；第4篇介紹了循環神經網路RNN在自然語言處理中的套用；第5篇介紹了深度學習模型的構建。全書內容豐富，並通過大量的圖形和案例進行講解，可以讓讀者快速看懂學會，特別適合大中專院校人工智慧相關專業學生、機器學習/深度學習初學者作為參考書學習。

圖書目錄

第1篇人工智慧與深度學習的基礎

第1章認識人工智慧與機器學習

1-1人工智慧概論

1-1-1人工智慧簡介

1-1-2人工智慧的套用領域

1-1-3人工智慧的研究領域

1-2認識機器學習

1-2-I機器學習簡介

1-2-2機器學習可以解決的問題

1-3機器學習的種類

1-3-1監督式學習

1-3-2非監督式學習

1-3-3半監督式學習

1-3-4強化學習

課後檢測

第2章構建TensorFlow與Keras開發環境

2-1認識 TensorFlow與Keras

2-1-1 Google TensorFlow

2-1-2 Keras

2-2構建Python深度學習的開發環境

2-2-1使用Anaconda創建發環境

2-2-2是否需要安裝GPU獨立顯示卡

2-3使用Spyder集成開發環境

2-4Jupyter Notebook的基使

2-5創建與管理Python虛擬環境

課後檢測

第3章深度學習的基礎

3-1認識深度學習

3-1-1人工智慧、機器學習與深度學習的關係

3-1-2什麼是深度學習

3-1-3深度學習就是一個函式集

3-2深度學習的基礎知識

3-2-1圖形結構

3-2-2向量與矩陣

3-2-3微分與偏微分

3-3深度學習的神經網路——構建計算圖

3-3-1神經元

3-3-2感知器

3-3-3深度學習的神經網路種類

3-4深度學習的數據張量

3-4-1張量的種類

3-4-2張量運算

課後檢測

第2篇多層感知器回歸與分類問題

第4章圖解神經網路多層感知器

4-1線性不可分問題

4-2認識多層感知器

4-2-1使用二層感知器解決XOR問題

4-2-2多層感知器就是神經網路

4-2-3深度學習的幾何解釋

4-3神經網路的學習過程——正向與反向傳播

4-3-1神經網路的學習方式與學習目標

4-3-2神經網路的訓練循環

4-3-3神經網路到底學到了什麼

4-4激活函式與損失函式

4-4-1激活函式

4-4-2損失函式

4-5反向傳播算法與梯度下降法

4-5-1梯度下降法

4-5-2反向傳播算法

4-6神經網路的樣本和標籤數據

4-6-1標籤數據One-hot編碼

4-6-2樣本數據特徵標準化

課後檢測

第5章構建神經網路——多層感知器

5-1如何使用Keras構建神經網路

5-2打造分類問題的神經網路——糖尿病預測

5-2-1認識皮馬印第安人的糖尿病數據集

5-2-2構建第一個神經網路

5-2-3調整神經網路

5-2-4使用測試與驗證數據集

5-2-5模型的預測值

5-3認識線性回歸

5-4構建回歸問題的神經網路——波士頓房價預測

5-4-1認識波士頓房屋數據集

5-4-2使用交叉驗證構建回歸分析的神經網路

5-5存儲與載人神經網路模型

5-5-1存儲神經網路模型結構與權重

5-5-2載人神經網路模型結構與權重

課後檢測

第6章多層感知器的套用案例

6-1案例：鳶尾花數據集的多元分類

6-1-1認識與探索鳶尾花數據集

6-1-2鳶尾花數據集的多元分類

6-1-3預測鳶尾花的種類

6-2案例：鐵達尼號數據集的生存分析

6-2-1認識與探索鐵達尼號數據集

6-2-2鐵達尼號數據集的數據預處理使用Pandas

6-2-3鐵達尼號數據集的生存分析

6-2-4預測鐵達尼號的乘客是否生存

第3篇卷積神經網路計算機視覺

第7章圖解卷積神經網路

7-1圖像數據的穩定性問題

7-2卷積運算與池化運算

7-2-1認識卷積與池化運算

7-2-2使用Python程式實現卷積運算

7-3認識卷積神經網路

7-3-1卷積神經網路的基本結構

7-3-2卷積神經網路的處理過程

7-3-3卷積神經網路為什麼有用

7-4卷積層

7-4-1卷積層和全連線層有何不同

7-4-2多維數據的卷積層輸入與輸出

7-4-3卷積層輸出的特徵圖數量與尺寸

7-5池化層與Dropout層

7-5-1池化層

7-5-2Dropout層

7-6構建卷積神經網路

課後檢測

第8章創建一個卷積神經網路

8-1認識MNIST手寫識別數據集

8-2使用MLP實現MNIST手寫識別

8-2-1MLP的數據預處理

8-2-2使用MLP實現MNIST手寫識別步驟

8-2-3增加隱藏層的神經元數

8-2-4在MLP新增一層隱藏層

8-2-5在MLP中使用Dropout層

8-3使用CNN實現MNIST手寫識別

8-3-1如何使用Keras實現卷積神經網路

8-3-2CNN的數據預處理

8-3-3使用CNN實現MNIST手寫識別步驟

8-4手寫識別的預測結果

課後檢測

第9章卷積神經網路的套用案例

9-1案例：識別Cifar-10數據集的彩色圖片

9-1-1認識Cifar-10彩色圖片數據集

9-1-2使用CNN識Cifar-10圖片

9-1-3彩色圖片影像識別的預測結果

9-2案例：使用自編碼器去除圖片噪聲

9-2-1認識自編碼器(AE)

9-2-2Keras Functional API

9-2-3使用MLP創建自編碼器

9-2-4使用CNN創建自編碼器

9-2-5使用CNN自編碼器去除圖片噪聲

第4篇循環神經網路自然語言處理

第10章圖解RNN、LSTM和GRU

10-1認識序列數據

10-2自然語言處理的基礎

10-3循環神經網路

10-3-1循環神經網路的結構

10-3-2循環神經網路的種類

10-3-3循環神經網路的梯度消失問題

10-4長短期記憶神經網路

10-4-1長短期記憶神經網路的結構

10-4-2長短期記憶神經網路的運行機制

10-5門控循環單元神經網路

10-6文字數據向量化

10-6-1文字數據的One-hot編碼

10-6-2詞向量與詞嵌入

課後檢測

第11章構建循環神經網路

11-1認識IMDb網路電影數據集

11-2數據預處理與Embedding層

11-2-1IMDb數據集的數據預處理

11-2-2Keras Embedding

使用MLP和CNN實現IMDb情緒分析

11-311-3-1使用MLP實現IMDb情緒分析

11-3-2用CNN實現IMDb情分析

11-4如何使用Keras實現環神經

11-4-1Keras的RNN預建11-4-2使用Keras實現環神網

11-5使用RNN、LSTM和GRU實IMDb情分

11-5-1使用RNN實現IMDb情分析

11-5-2使用LSTM實現IMDb情緒分析

11-5-3使用GRU實現IMDb情分析

11-6堆CNN和LSTM實現IMDb情分析

課後檢測

第12章循環神經網路的實現案例

12-1案例：使用LSTM實現MNIST手寫識別

12-2案例：使用LSTM模型預測Google股

12-2-1認識Google股價數據集

12-2-2構建LSTM模型預測Google股價

12-3案例：路透社數據集的新聞主題分類

12-3-1認識路透社數據集與數據預處理

12-3-2使用MLP實現路透社數據集的新聞主題分類

12-3-3使用LSTM實現路透社數據集的新聞主題分類.

第5篇構建深度學習模型

第13章數據預處理與數據增強

13-1文字數據預處理

13-1-1分割文字數據斷詞

13-1-2 Tokenizer API

13-2案例：IMDb網路電影數據預處理

13-3圖片載人與預處理

13-3-1載人圖片檔案

13-3-2將圖片轉換為NumPy數組

13-3-3存儲圖片檔案

13-4數據增強

13-4-1 Keras的圖片增強API

13-4-2圖片增強API的圖像處理參數

13-5案例：Cifar-10數據集的小數據量圖片分類

13-5-1取出Cifar-10數據集的部分訓練數據

13-5-2沒有使用圖片增強的小數據量圖片分類

13-5-3使用圖片增強的小數據量圖片分類

課後檢測

第14章調整深度學習模型

14-1識別出模型的過度擬合問題

14-2避免低度擬合與過度擬合

14-2-1避免過度擬合

14-2-2避免低度擬合

14-3加速神經網路的訓練選擇最佳化器

14-3-1認識最佳化器

14-3-2使用自定義的Keras最佳化器

14-4加速神經網路的訓練批標準化

14-4-1認識批標準化

14-4-2在MLP使用BN層

14-4-3在CNN使用BN層

14-5在正確的時間點停止模型訓練

14-6在模型訓練時自動存儲最優權重

課後檢測

第15章

預訓練模型與遷移學習

15-1Keras內置的預訓練模型

15-2使用預訓練模型進行圖片分類預測

15-3認識遷移學習

15-4案例：MNIST手寫識別的遷移學習

15-5案例：預訓練模型的遷移學習

15-5-1調整Cifar-10數據集的圖片尺寸

15-5-2ResNet50預訓練模型的遷移學習

15-5-3MobileNet預訓練模型的遷移學習

課後檢測

第16章Functional API與模型可視化

16-1深度學習模型可視化

16-2取得神經層信息與中間層可視化

16-2-1取得模型各神經層名稱與權重

16-2-2可視化CNN的濾波器

16-2-3可視化CNN中間層輸出的特徵圖

16-3再談 Functional API

16-4共享層模型

16-4-1共享輸人層

16-4-2共享特徵提取層

16-5多輸人與多輸出模型

16-5-1多輸入模型

16-5-2多輸出模型

課後檢測