深度学习：基于Keras的Python实践

图书标准信息

• 作者 魏贞原 著
• 出版社 电子工业出版社
• 出版时间 2018-06
• 版次 1
• ISBN 9787121341472
• 定价 59.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 244页
• 字数 99999千字

【内容简介】

《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。

【作者简介】

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（Subject Matter Expert），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。

【目录】

第一部分  初识

 

 

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

 

 

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

 

 

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

 

 

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