python keras_深度学习：基于Keras的Python实践

部分初识

1初识深度学习/2

1.1Python的深度学习/2

1.2软件环境和基本要求/3

1.2.1Python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

2.1CNTK/6

2.1.1安装CNTK/7

2.1.2CNTK的简单例子/8

2.2TensorFlow/8

部分初识

1初识深度学习/2

1.1Python的深度学习/2

1.2软件环境和基本要求/3

1.2.1Python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

2.1CNTK/6

2.1.1安装CNTK/7

2.1.2CNTK的简单例子/8

2.2TensorFlow/8

2.2.1TensorFlow介绍/8

2.2.2安装TensorFlow/9

2.2.3TensorFlow的简单例子/9

2.3Keras/10

2.3.1Keras简介/11

2.3.2Keras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

3个多层感知器实例：印第安人糖尿病诊断/16

3.1概述/16

3.2PimaIndians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

5.3.2k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

10.1JSON序列化模型/68

10.2YAML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

11Dropout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

11.2.3Dropout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

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

14Keras中的图像增强/124

14.1Keras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

14.4ZCA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

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

19LSTM时间序列问题预测：国际旅行人数预测177

19.1LSTM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

19.4LSTM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