深度学习 基于Keras的Python实践PDF电子书下载

第一部分 初识 2

1 初识深度学习 2

1.1 Python的深度学习 2

1.2 软件环境和基本要求 3

1.2.1 Python和SciPy 3

1.2.2 机器学习 3

1.2.3 深度学习 4

1.3 阅读本书的收获 4

1.4 本书说明 4

1.5 本书中的代码 5

2 深度学习生态圈 6

2.1 CNTK 6

2.1.1 安装CNTK 7

2.1.2 CNTK的简单例子 8

2.2 TensorFlow 8

2.2.1 TensorFlow介绍 8

2.2.2 安装TensorFlow 9

2.2.3 TensorFlow的简单例子 9

2.3 Keras 10

2.3.1 Keras简介 11

2.3.2 Keras安装 11

2.3.3 配置Keras的后端 11

2.3.4 使用Keras构建深度学习模型 12

2.4 云端GPUs计算 13

第二部分 多层感知器 16

3 第一个多层感知器实例：印第安人糖尿病诊断 16

3.1 概述 16

3.2 Pima Indians数据集 17

3.3 导入数据 18

3.4 定义模型 19

3.5 编译模型 20

3.6 训练模型 21

3.7 评估模型 21

3.8 汇总代码 22

4 多层感知器速成 24

4.1 多层感知器 24

4.2 神经元 25

4.2.1 神经元权重 25

4.2.2 激活函数 26

4.3 神经网络 27

4.3.1 输入层（可视层） 28

4.3.2 隐藏层 28

4.3.3 输出层 28

4.4 训练神经网络 29

4.4.1 准备数据 29

4.4.2 随机梯度下降算法 30

4.4.3 权重更新 30

4.4.4 预测新数据 31

5 评估深度学习模型 33

5.1 深度学习模型和评估 33

5.2 自动评估 34

5.3 手动评估 36

5.3.1 手动分离数据集并评估 36

5.3.2 k折交叉验证 37

6 在Keras中使用Scikit-Learn 40

6.1 使用交叉验证评估模型 41

6.2 深度学习模型调参 42

7 多分类实例：鸢尾花分类 49

7.1 问题分析 49

7.2 导入数据 50

7.3 定义神经网络模型 50

7.4 评估模型 52

7.5 汇总代码 52

8 回归问题实例：波士顿房价预测 54

8.1 问题描述 54

8.2 构建基准模型 55

8.3 数据预处理 57

8.4 调参隐藏层和神经元 58

9 二分类实例：银行营销分类 61

9.1 问题描述 61

9.2 数据导入与预处理 62

9.3 构建基准模型 64

9.4 数据格式化 66

9.5 调参网络拓扑图 66

10 多层感知器进阶 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 神经网络的检查点 81

10.4.1 检查点跟踪神经网络模型 82

10.4.2 自动保存最优模型 84

10.4.3 从检查点导入模型 86

10.5 模型训练过程可视化 87

11 Dropout与学习率衰减 92

11.1 神经网络中的Dropout 92

11.2 在Keras中使用Dropout 93

11.2.1 输入层使用Dropout 94

11.2.2 在隐藏层使用Dropout 95

11.2.3 Dropout的使用技巧 97

11.3 学习率衰减 97

11.3.1 学习率线性衰减 98

11.3.2 学习率指数衰减 100

11.3.3 学习率衰减的使用技巧 103

第三部分 卷积神经网络 106

12 卷积神经网络速成 106

12.1 卷积层 108

12.1.1 滤波器 108

12.1.2 特征图 109

12.2 池化层 109

12.3 全连接层 109

12.4 卷积神经网络案例 110

13 手写数字识别 112

13.1 问题描述 112

13.2 导入数据 113

13.3 多层感知器模型 114

13.4 简单卷积神经网络 117

13.5 复杂卷积神经网络 120

14 Keras中的图像增强 124

14.1 Keras中的图像增强API 124

14.2 增强前的图像 125

14.3 特征标准化 126

14.4 ZCA白化 128

14.5 随机旋转、移动、剪切和反转图像 129

14.6 保存增强后的图像 132

15 图像识别实例：CIFAR-10分类 134

15.1 问题描述 134

15.2 导入数据 135

15.3 简单卷积神经网络 136

15.4 大型卷积神经网络 140

15.5 改进模型 145

16 情感分析实例：IMDB影评情感分析 152

16.1 问题描述 152

16.2 导入数据 153

16.3 词嵌入 154

16.4 多层感知器模型 155

16.5 卷积神经网络 157

第四部分 循环神经网络 162

17 循环神经网络速成 162

17.1 处理序列问题的神经网络 163

17.2 循环神经网络 164

17.3 长短期记忆网络 165

18 多层感知器的时间序列预测：国际旅行人数预测 167

18.1 问题描述 167

18.2 导入数据 168

18.3 多层感知器 169

18.4 使用窗口方法的多层感知器 172

19 LSTM时间序列问题预测：国际旅行人数预测 177

19.1 LSTM处理回归问题 177

19.2 使用窗口方法的LSTM回归 181

19.3 使用时间步长的LSTM回归 185

19.4 LSTM的批次间记忆 188

19.5 堆叠LSTM的批次间记忆 192

20 序列分类：IMDB影评分类 197

20.1 问题描述 197

20.2 简单LSTM 197

20.3 使用Dropout改进过拟合 199

20.4 混合使用LSTM和CNN 201

21 多变量时间序列预测：PM2.5预报 203

21.1 问题描述 203

21.2 数据导入与准备 204

21.3 构建数据集 206

21.4 简单LSTM 207

22 文本生成实例：爱丽丝梦游仙境 211

22.1 问题描述 211

22.2 导入数据 212

22.3 分词与向量化 212

22.4 词云 213

22.5 简单LSTM 215

22.6 生成文本 219

附录A 深度学习的基本概念 223

A.1 神经网络基础 223

A.2 卷积神经网络 227

A.3 循环神经网络 229