深度学习：基于Keras的Python实践

作品简介

《深度学习：基于Keras的Python实践》本书系统讲解了深度学习的基本知识，以及使用深度学习解决实际问题，详细介绍了如何构建及优化模型，并针对不同的问题给出不同的解决方案，通过不同的例子展示了在具体项目中的应用和实践经验，是一本非常好的深度学习的入门和实践书籍。

《深度学习：基于Keras的Python实践》以实践为导向，使用Keras作为编程框架，强调简单、快速地上手建立模型，解决实际项目问题。读者可以通过学习本书，迅速上手实践深度学习，并利用深度学习解决实际问题。

《深度学习：基于Keras的Python实践》非常适合于项目经理，有意从事机器学习开发的程序员，以及高校在读相关专业的学生。

魏贞原，IBM高级项目经理，数据分析团队Leader，主要负责银行客户的复杂系统开发。同时是IBMCIC量子计算COE团队的Python领域专家，负责量子计算应用的探索工作，对机器学习和深度学习有深入的研究，精通于运用机器学习来解决数据科学的问题。并运营“知之Python”公众号，定期分享Python在机器学习和深度学习的实践知识。

作品目录

• 序言
• 前言
• 第一部分 初识
• 1.1 Python的深度学习
• 1.2 软件环境和基本要求
• 1.3 阅读本书的收获
• 1.4 本书说明
• 1.5 本书中的代码
• 2.1 CNTK
• 2.2 TensorFlow
• 2.3 Keras
• 2.4 云端GPUs计算
• 第二部分 多层感知器
• 3.1 概述
• 3.2 Pima Indians数据集
• 3.3 导入数据
• 3.4 定义模型
• 3.5 编译模型
• 3.6 训练模型
• 3.7 评估模型
• 3.8 汇总代码
• 4.1 多层感知器
• 4.2 神经元
• 4.3 神经网络
• 4.4 训练神经网络
• 5.1 深度学习模型和评估
• 5.2 自动评估
• 5.3 手动评估
• 6.1 使用交叉验证评估模型
• 6.2 深度学习模型调参
• 7.1 问题分析
• 7.2 导入数据
• 7.3 定义神经网络模型
• 7.4 评估模型
• 7.5 汇总代码
• 8.1 问题描述
• 8.2 构建基准模型
• 8.3 数据预处理
• 8.4 调参隐藏层和神经元
• 9.1 问题描述
• 9.2 数据导入与预处理
• 9.3 构建基准模型
• 9.4 数据格式化
• 9.5 调参网络拓扑图
• 10.1 JSON序列化模型
• 10.2 YAML序列化模型
• 10.3 模型增量更新
• 10.4 神经网络的检查点
• 10.5 模型训练过程可视化
• 11.1 神经网络中的Dropout
• 11.2 在Keras中使用Dropout
• 11.3 学习率衰减
• 第三部分 卷积神经网络
• 12.1 卷积层
• 12.2 池化层
• 12.3 全连接层
• 12.4 卷积神经网络案例
• 13.1 问题描述
• 13.2 导入数据
• 13.3 多层感知器模型
• 13.4 简单卷积神经网络
• 13.5 复杂卷积神经网络
• 14.1 Keras中的图像增强API
• 14.2 增强前的图像
• 14.3 特征标准化
• 14.4 ZCA白化
• 14.5 随机旋转、移动、剪切和反转图像
• 14.6 保存增强后的图像
• 15.1 问题描述
• 15.2 导入数据
• 15.3 简单卷积神经网络
• 15.4 大型卷积神经网络
• 15.5 改进模型
• 16.1 问题描述
• 16.2 导入数据
• 16.3 词嵌入
• 16.4 多层感知器模型
• 16.5 卷积神经网络
• 第四部分 循环神经网络
• 17.1 处理序列问题的神经网络
• 17.2 循环神经网络
• 17.3 长短期记忆网络
• 18.1 问题描述
• 18.2 导入数据
• 18.3 多层感知器
• 18.4 使用窗口方法的多层感知器
• 19.1 LSTM处理回归问题
• 19.2 使用窗口方法的LSTM回归
• 19.3 使用时间步长的LSTM回归
• 19.4 LSTM的批次间记忆
• 19.5 堆叠LSTM的批次间记忆
• 20.1 问题描述
• 20.2 简单LSTM
• 20.3 使用Dropout改进过拟合
• 20.4 混合使用LSTM和CNN
• 21.1 问题描述
• 21.2 数据导入与准备
• 21.3 构建数据集
• 21.4 简单LSTM
• 22.1 问题描述
• 22.2 导入数据
• 22.3 分词与向量化
• 22.4 词云
• 22.5 简单LSTM
• 22.6 生成文本
• 附录A 深度学习的基本概念