TensorFlow+Keras深度学习人工智能实践应用 书有少量笔记

图书标准信息

• 作者 林大贵 著
• 出版社 清华大学出版社
• 出版时间 2018-01
• 版次 1
• ISBN 9787302493020
• 定价 69.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 311页
• 字数 531千字
• 正文语种 简体中文

【内容简介】

　　本书提供安装、上机操作指南，同时辅以大量范例程序介绍TensorFlow + Keras深度学习方面的知识。本书分9部分，共21章，内容主要包括基本概念介绍、TensorFlow 与 Keras 的安装、Keras MNIST手写数字识别、Keras CIFAR-10照片图像物体识别、Keras多层感知器预测泰坦尼克号上旅客的生存概率、使用Keras MLP、RNN、LSTM进行IMDb自然语言处理与情感分析、以TensorFlow张量运算仿真神经网络的运行、TensorFlow MNIST手写数字识别、使用GPU大幅加快深度学习训练。
　　TensorFlow + Keras深度学习方面的知识不需要具备高等数学模型、算法等专业知识，读者只需要具备基本的Python程序设计能力，按照本书的步骤循序渐进地学习，就可以了解深度学习的基本概念，进而实际运用深度学习的技术。

【作者简介】

　　林大贵，从事IT行业多年，在系统设计、网站开发、数字营销、商业智慧、大数据、机器学习等领域具有丰富的实战经验。

【目录】

第1章  人工智能、机器学习与深度学习简介    1 
1.1  人工智能、机器学习、深度学习的关系    2 
1.2  机器学习介绍    4 
1.3  机器学习分类    4 
1.4  深度学习简介    7 
1.5  结论    8 
第2章  深度学习的原理    9 
2.1  神经传导的原理    10 
2.2  以矩阵运算仿真神经网络    13 
2.3  多层感知器模型    14 
2.4  使用反向传播算法进行训练    16 
2.5  结论    21 
第3章  TensorFlow与Keras介绍    22 
3.1  TensorFlow架构图    23 
3.2  TensorFlow简介    24 
3.3  TensorFlow程序设计模式    26 
3.4  Keras介绍    27 
3.5  Keras程序设计模式    28 
3.6  Keras与TensorFlow比较    29 
3.7  结论    30 
第4章  在Windows中安装TensorFlow与Keras    31 
4.1  安装Anaconda    32 
4.2  启动命令提示符    35 
4.3  建立TensorFlow的Anaconda虚拟环境    37 
4.4  在Anaconda虚拟环境安装TensorFlow与Keras    40 
4.5  启动Jupyter Notebook    42 
4.6  结论    48 
第5章  在Linux Ubuntu中安装TensorFlow与Keras    49 
5.1  安装Anaconda    50 
5.2  安装TensorFlow与Keras    52 
5.3  启动Jupyter Notebook    53 
5.4  结论    54 
第6章  Keras MNIST手写数字识别数据集    55 
6.1  下载MNIST数据    56 
6.2  查看训练数据    58 
6.3  查看多项训练数据images与label    60 
6.4  多层感知器模型数据预处理    62 
6.5  features数据预处理    62 
6.6  label数据预处理    64 
6.7  结论    65 
第7章  Keras多层感知器识别手写数字    66 
7.1  Keras多元感知器识别MNIST手写数字图像的介绍    67 
7.2  进行数据预处理    69 
7.3  建立模型    69 
7.4  进行训练    73 
7.5  以测试数据评估模型准确率    77 
7.6  进行预测    78 
7.7  显示混淆矩阵    79 
7.8  隐藏层增加为1000个神经元    81 
7.9  多层感知器加入DropOut功能以避免过度拟合    84 
7.10  建立多层感知器模型包含两个隐藏层    86 
7.11  结论    89 
第8章  Keras卷积神经网络识别手写数字    90 
8.1  卷积神经网络简介    91 
8.2  进行数据预处理    97 
8.3  建立模型    98 
8.4  进行训练    101 
8.5  评估模型准确率    104 
8.6  进行预测    104 
8.7  显示混淆矩阵    105 
8.8   结论    107 
第9章  Keras CIFAR-10图像识别数据集    108 
9.1  下载CIFAR-10数据    109 
9.2  查看训练数据    111 
9.3  查看多项images与label    112 
9.4  将images进行预处理    113 
9.5  对label进行数据预处理    114 
9.6  结论    115 
第10章  Keras卷积神经网络识别CIFAR-10图像    116 
10.1  卷积神经网络简介    117 
10.2  数据预处理    118 
10.3  建立模型    119 
10.4  进行训练    123 
10.5  评估模型准确率    126 
10.6  进行预测    126 
10.7  查看预测概率    127 
10.8  显示混淆矩阵    129 
10.9  建立3次的卷积运算神经网络    132 
10.10  模型的保存与加载    135 
10.11  结论    136 
第11章  Keras泰坦尼克号上的旅客数据集    137 
11.1  下载泰坦尼克号旅客数据集    138 
11.2  使用Pandas DataFrame读取数据并进行预处理    140 
11.3  使用Pandas DataFrame进行数据预处理    142 
11.4  将DataFrame转换为Array    143 
11.5  将ndarray特征字段进行标准化    145 
11.6  将数据分为训练数据与测试数据    145 
11.7  结论    147 
第12章  Keras多层感知器预测泰坦尼克号上旅客的生存概率    148 
12.1  数据预处理    149 
12.2  建立模型    150 
12.3  开始训练    152 
12.4  评估模型准确率    155 
12.5  加入《泰坦尼克号》电影中Jack与Rose的数据    156 
12.6  进行预测    157 
12.7  找出泰坦尼克号背后的感人故事    158 
12.8  结论    160 
第13章  IMDb网络电影数据集与自然语言处理    161 
13.1  Keras自然语言处理介绍    163 
13.2  下载IMDb数据集    167 
13.3  读取IMDb数据    169 
13.4  查看IMDb数据    172 
13.5  建立token    173 
13.6  使用token将“影评文字”转换成“数字列表”    174 
13.7  让转换后的数字长度相同    174 
13.8  结论    176 
第14章  Keras建立MLP、RNN、LSTM模型进行IMDb情感分析    177 
14.1  建立多层感知器模型进行IMDb情感分析    178 
14.2  数据预处理    179 
14.3  加入嵌入层    180 
14.4  建立多层感知器模型    181 
14.5  训练模型    182 
14.6  评估模型准确率    184 
14.7  进行预测    185 
14.8  查看测试数据预测结果    185 
14.9  查看《美女与野兽》的影评    187 
14.10  预测《美女与野兽》的影评是正面或负面的    190 
14.11  文字处理时使用较大的字典提取更多文字    192 
14.12  RNN模型介绍    193 
14.13  使用Keras RNN模型进行IMDb情感分析    195 
14.14  LSTM模型介绍    197 
14.15  使用Keras LSTM模型进行IMDb情感分析    199 
14.16  结论    200 
第15章  TensorFlow程序设计模式    201 
15.1  建立“计算图”    202 
15.2  执行“计算图”    204 
15.3  TensorFlow placeholder    206 
15.4  TensorFlow数值运算方法介绍    207 
15.5  TensorBoard    208 
15.6  建立一维与二维张量    211 
15.7  矩阵基本运算    212 
15.8  结论    214 
第16章  以TensorFlow张量运算仿真神经网络的运行    215 
16.1  以矩阵运算仿真神经网络    216 
16.2  以placeholder传入X值    220 
16.3  创建layer函数以矩阵运算仿真神经网络    222 
16.4  建立layer_debug函数显示权重与偏差    225 
16.5  结论    226 
第17章  TensorFlow MNIST手写数字识别数据集    227 
17.1  下载MNIST数据    228 
17.2  查看训练数据    229 
17.3  查看多项训练数据images与labels    232 
17.4  批次读取MNIST数据    234 
17.5  结论    235 
第18章  TensorFlow多层感知器识别手写数字    236 
18.1  TensorFlow建立多层感知器辨识手写数字的介绍    237 
18.2  数据准备    239 
18.3  建立模型    239 
18.4  定义训练方式    242 
18.5  定义评估模型准确率的方式    243 
18.6  进行训练    244 
18.7  评估模型准确率    249 
18.8  进行预测    249 
18.9  隐藏层加入更多神经元    250 
18.10  建立包含两个隐藏层的多层感知器模型    251 
18.11  结论    252 
第19章  TensorFlow卷积神经网络识别手写数字    253 
19.1  卷积神经网络简介    254 
19.2  进行数据预处理    255 
19.3  建立共享函数    256 
19.4  建立模型    258 
19.5  定义训练方式    264 
19.6  定义评估模型准确率的方式    264 
19.7  进行训练    265 
19.8  评估模型准确率    266 
19.9  进行预测    267 
19.10  TensorBoard    268 
19.11  结论    270 
第20章  TensorFlow GPU版本的安装    271 
20.1  确认显卡是否支持CUDA    273 
20.2  安装CUDA    274 
20.3  安装cuDNN    278 
20.4  将cudnn64_5.dll存放的位置加入Path环境变量    281 
20.5  在Anaconda建立TensorFlow GPU虚拟环境    283 
20.6  安装TensorFlow GPU版本    285 
20.7  安装Keras    286 
20.8  结论    286 

第21章  使用GPU加快TensorFlow与Keras训练    287 
21.1  启动TensorFlow GPU环境    288 
21.2  测试GPU与CPU执行性能    293 
21.3  超出显卡内存的限制    296 
21.4  以多层感知器的实际范例比较CPU与GPU的执行速度    297 
21.5  以CNN的实际范例比较CPU与GPU的执行速度    299 
21.6  以Keras Cifar CNN的实际范例比较CPU与GPU的执行速度    302 
21.7  结论    304 
附录A  本书范例程序的下载与安装说明    305 
A.1  在Windows系统中下载与安装范例程序    306 
A.2  在Ubuntu Linux系统中下载与安装范例程序    310