123,123

內(nèi)容簡(jiǎn)介

　　本書(shū)基于當(dāng)前流行的深度學(xué)習(xí)框架之一——Keras，從新手的角度出發(fā)，詳細(xì)講解Keras的原理，力求幫助讀者實(shí)現(xiàn)Keras從入門到精通。全書(shū)共9章，主要內(nèi)容包括初識(shí)深度學(xué)習(xí)、深度學(xué)習(xí)的數(shù)據(jù)預(yù)處理技術(shù)、使用Keras開(kāi)發(fā)深度學(xué)習(xí)模型、卷積神經(jīng)網(wǎng)絡(luò)及圖像分類、循環(huán)神經(jīng)網(wǎng)絡(luò)在文本序列中的應(yīng)用、自編碼器、生成式對(duì)抗網(wǎng)絡(luò)、模型評(píng)估及模型優(yōu)化，以及深度學(xué)習(xí)實(shí)驗(yàn)項(xiàng)目。本書(shū)內(nèi)容由淺入深、語(yǔ)言通俗易懂，從基本原理到案例應(yīng)用、從基礎(chǔ)算法到對(duì)復(fù)雜模型的剖析，讓讀者在循序漸進(jìn)的學(xué)習(xí)中理解Keras。本書(shū)可作為高等院校計(jì)算機(jī)、通信、大數(shù)據(jù)等專業(yè)相關(guān)課程的教材，也可作為人工智能、圖像處理、計(jì)算機(jī)等方向的科研人員和深度學(xué)習(xí)技術(shù)愛(ài)好者的參考書(shū)。

作者簡(jiǎn)介

　　謝佳標(biāo) 曾就職于平安人壽擔(dān)任數(shù)據(jù)挖掘?qū)＜遥壳肮┞氂谑澜绨購(gòu)?qiáng)企業(yè)，負(fù)責(zé)數(shù)據(jù)中臺(tái)、數(shù)據(jù)化運(yùn)營(yíng)、金融科技、創(chuàng)新規(guī)劃等項(xiàng)目及前沿研究。有13年的數(shù)據(jù)挖掘與分享相關(guān)工作的經(jīng)驗(yàn)；曾經(jīng)從事過(guò)電商、電購(gòu)、電力、游戲、金融和物流等行業(yè)，熟悉不同行業(yè)的數(shù)據(jù)特點(diǎn)。R語(yǔ)言玩家，熟悉Python及深度學(xué)習(xí)Keras框架，有豐富的大數(shù)據(jù)挖掘和可視化實(shí)戰(zhàn)經(jīng)驗(yàn)。2017-2021年被評(píng)為微軟數(shù)據(jù)科學(xué)和AI方向價(jià)值專家（微軟MVP）。書(shū)籍著作：《R語(yǔ)言與數(shù)據(jù)挖掘》、《數(shù)據(jù)實(shí)踐之美：31位大數(shù)據(jù)專家的方法、技術(shù)與思想》《R語(yǔ)言游戲數(shù)據(jù)分析與挖掘》、《Keras深度學(xué)習(xí)：入門、實(shí)戰(zhàn)與進(jìn)階》、《R語(yǔ)言數(shù)據(jù)分析與挖掘（微課）》

圖書(shū)目錄

第 1章初識(shí)深度學(xué)習(xí)　1
1.1　深度學(xué)習(xí)基礎(chǔ)理論　1
1.1.1　機(jī)器學(xué)習(xí)與深度學(xué)習(xí)　1
1.1.2　神經(jīng)網(wǎng)絡(luò)基礎(chǔ)　2
1.1.3　常用深度學(xué)習(xí)模型　5
1.2　主流深度學(xué)習(xí)框架介紹　6
1.2.1　TensorFlow　6
1.2.2　PyTorch　7
1.3　深度學(xué)習(xí)開(kāi)發(fā)環(huán)境搭建　7
1.3.1　硬件環(huán)境準(zhǔn)備　7
1.3.2　軟件環(huán)境準(zhǔn)備　7
1.3.3　安裝Anaconda　9
1.3.4　安裝TensorFlow 2　13
1.4　構(gòu)建深度學(xué)習(xí)模型　14
1.4.1　MNIST數(shù)據(jù)集概述　14
1.4.2　數(shù)據(jù)預(yù)處理　15
1.4.3　構(gòu)建及編譯模型　16
1.4.4　模型訓(xùn)練　17
1.4.5　模型評(píng)估及預(yù)測(cè)　19
【本章知識(shí)結(jié)構(gòu)圖】　21
【課后習(xí)題】　22
第　2章深度學(xué)習(xí)的數(shù)據(jù)預(yù)處理技術(shù)　23
2.1　數(shù)據(jù)預(yù)處理技術(shù)　23
2.1.1　結(jié)構(gòu)化數(shù)據(jù)預(yù)處理　23
2.1.2　非結(jié)構(gòu)化數(shù)據(jù)預(yù)處理　25
2.2　利用OpenCV進(jìn)行圖像預(yù)處理　26
2.2.1　讀取、顯示和保存圖像　26
2.2.2　圖像像素的獲取和編輯　28
2.2.3　圖像幾何變換　29
2.2.4　色彩通道分離和融合　31
2.2.5　顏色空間轉(zhuǎn)換　31
2.3　利用TensorFlow進(jìn)行圖像預(yù)處理　32
2.3.1　圖像縮放　32
2.3.2　圖像裁剪　33
2.3.3　圖像色彩調(diào)整　34
2.3.4　圖像翻轉(zhuǎn)　35
2.4　利用jieba進(jìn)行文本預(yù)處理　36
2.4.1　jieba分詞　36
2.4.2　添加自定義詞典　37
2.4.3　關(guān)鍵詞提取　39
2.4.4　詞性標(biāo)注　40
2.5　利用Keras進(jìn)行文本預(yù)處理　40
2.5.1　Unicode編碼　40
2.5.2　分詞器　41
2.5.3　獨(dú)熱編碼　41
2.5.4　填充序列　42
2.6　案例實(shí)訓(xùn)：對(duì)業(yè)務(wù)員工作日?qǐng)?bào)進(jìn)行文本處理　43
【本章知識(shí)結(jié)構(gòu)圖】　45
【課后習(xí)題】　46
第3章　使用Keras開(kāi)發(fā)深度學(xué)習(xí)模型　48
3.1　Keras模型生命周期　48
3.1.1　定義網(wǎng)絡(luò)　48
3.1.2　編譯網(wǎng)絡(luò)　51
3.1.3　訓(xùn)練網(wǎng)絡(luò)　51
3.1.4　評(píng)估網(wǎng)絡(luò)　52
3.1.5　做出預(yù)測(cè)　52
3.2　Keras模型類型　52
3.2.1　順序型API模型　52
3.2.2　函數(shù)式API模型　53
3.3　模型可視化　55
3.3.1　網(wǎng)絡(luò)拓?fù)淇梢暬?5
3.3.2　TensorBoard可視化　55
3.4　回調(diào)函數(shù)　58
3.4.1　回調(diào)函數(shù)簡(jiǎn)介　59
3.4.2　使用回調(diào)函數(shù)尋找模型　59
3.5　模型保存及加載　61
3.5.1　使用SavedModel格式保存及加載模型　61
3.5.2　使用JSON格式保存及加載模型　63
3.6　案例實(shí)訓(xùn)：使用Keras預(yù)測(cè)泰坦尼克號(hào)上的旅客是否生存　64
【本章知識(shí)結(jié)構(gòu)圖】　68
【課后習(xí)題】　68
第4章　卷積神經(jīng)網(wǎng)絡(luò)及圖像分類　70
4.1　卷積神經(jīng)網(wǎng)絡(luò)原理及實(shí)現(xiàn)　70
4.1.1　卷積神經(jīng)網(wǎng)絡(luò)原理　71
4.1.2　卷積層原理　72
4.1.3　卷積層TensorFlow實(shí)現(xiàn)　74
4.1.4　池化層原理　76
4.1.5　池化層TensorFlow實(shí)現(xiàn)　78
4.1.6　全連接層　79
4.2　遷移學(xué)習(xí)　79
4.2.1　遷移學(xué)習(xí)概述　79
4.2.2　使用Keras Applications實(shí)現(xiàn)遷移學(xué)習(xí)　81
4.2.3　使用TensorFlow Hub實(shí)現(xiàn)遷移學(xué)習(xí)　84
4.2.4　使用遷移學(xué)習(xí)實(shí)現(xiàn)花卉圖像分類器　85
4.3　深度強(qiáng)化學(xué)習(xí)　90
4.3.1　強(qiáng)化學(xué)習(xí)基本概念　91
4.3.2　深度強(qiáng)化學(xué)習(xí)思路　91
4.3.3　Gym平臺(tái)　92
4.3.4　使用Keras-RL2的DQN算法實(shí)現(xiàn) CartPole游戲　93
4.4　案例實(shí)訓(xùn)：對(duì)CIFAR-10數(shù)據(jù)集進(jìn)行圖像識(shí)別　95
【本章知識(shí)結(jié)構(gòu)圖】　99
【課后習(xí)題】　99
第5章　循環(huán)神經(jīng)網(wǎng)絡(luò)在文本序列中的應(yīng)用　101
5.1　循環(huán)神經(jīng)網(wǎng)絡(luò)　101
5.1.1　詞嵌入　102
5.1.2　簡(jiǎn)單循環(huán)網(wǎng)絡(luò)原理及其Keras實(shí)現(xiàn)　106
5.1.3　長(zhǎng)短期記憶網(wǎng)絡(luò)原理及其Keras實(shí)現(xiàn)　109
5.1.4　門控循環(huán)單元原理及其Keras實(shí)現(xiàn)　110
5.2　Seq2Seq模型　111
5.2.1　Seq2Seq原理　111
5.2.2　注意力機(jī)制　112
5.2.3　利用Keras實(shí)現(xiàn)Seq2Seq　113
5.2.4　利用TensorFlow Addons實(shí)現(xiàn)
Seq2Seq　116
5.3　Transformer模型　119
5.3.1　Transformer模型原理　120
5.3.2　利用KerasNLP實(shí)現(xiàn)Transformer　122
5.4　案例實(shí)訓(xùn)：中文文本分類　122
【本章知識(shí)結(jié)構(gòu)圖】　125
【課后習(xí)題】　126
第6章　自編碼器　127
6.1　簡(jiǎn)單自編碼器　127
6.1.1　自編碼器基本結(jié)構(gòu)　127
6.1.2　簡(jiǎn)單自編碼器的Keras實(shí)現(xiàn)　129
6.2　稀疏自編碼器　132
6.2.1　稀疏自編碼器基本原理　132
6.2.2　稀疏自編碼器的Keras實(shí)現(xiàn)　132
6.3　堆棧自編碼器　134
6.3.1　堆棧自編碼器基本原理　134
6.3.2　堆棧自編碼器的Keras實(shí)現(xiàn)　136
6.4　卷積自編碼器　137
6.4.1　卷積自編碼器基本原理　137
6.4.2　卷積自編碼器的Keras實(shí)現(xiàn)　137
6.5　降噪自編碼器　139
6.5.1　降噪自編碼器基本原理　139
6.5.2　降噪自編碼器的Keras實(shí)現(xiàn)　139
6.6　循環(huán)自編碼器　142
6.6.1　循環(huán)自編碼器基本原理　142
6.6.2　循環(huán)自編碼器的Keras實(shí)現(xiàn)　143
6.7　案例實(shí)訓(xùn)：使用自編碼器建立系統(tǒng)　144
【本章知識(shí)結(jié)構(gòu)圖】　148
【課后習(xí)題】　148
第7章　生成式對(duì)抗網(wǎng)絡(luò)　150
7.1　生成式對(duì)抗網(wǎng)絡(luò)概述　150
7.1.1　生成式對(duì)抗網(wǎng)絡(luò)基本結(jié)構(gòu)　150
7.1.2　生成式對(duì)抗網(wǎng)絡(luò)常見(jiàn)類型　151
7.2　生成式對(duì)抗網(wǎng)絡(luò)Keras實(shí)現(xiàn)　152
7.2.1　GAN的Keras實(shí)現(xiàn)　152
7.2.2　DCGAN的Keras實(shí)現(xiàn)　157
7.3　案例實(shí)訓(xùn)：使用GAN和DCGAN
生成數(shù)字5圖像　160
【本章知識(shí)結(jié)構(gòu)圖】　164
【課后習(xí)題】　164
第8章　模型評(píng)估及模型優(yōu)化　167
8.1　模型評(píng)估　167
8.1.1　數(shù)值預(yù)測(cè)評(píng)估方法　167
8.1.2　概率預(yù)測(cè)評(píng)估方法　169
8.2　模型優(yōu)化　172
8.2.1　基于梯度下降的優(yōu)化　172
8.2.2　自適應(yīng)學(xué)習(xí)率算法　174
8.2.3　網(wǎng)格搜索　177
8.2.4　防止模型過(guò)擬合　178
8.3　在tf.keras中進(jìn)行模型優(yōu)化　181
8.3.1　在tf.keras中使用Scikit-learn優(yōu)化模型　181
8.3.2　使用KerasTuner進(jìn)行超參數(shù)調(diào)節(jié)　181
8.4　案例實(shí)訓(xùn)1：使用Scikit-learn
優(yōu)化CIFAR-10分類模型　181
8.5　案例實(shí)訓(xùn)2：使用KerasTuner
優(yōu)化CIFAR-10分類模型　184
【本章知識(shí)結(jié)構(gòu)圖】　189
【課后習(xí)題】　189
第9章　深度學(xué)習(xí)實(shí)驗(yàn)項(xiàng)目　191
9.1　TensorFlow Datasets實(shí)驗(yàn)　191
9.2　tf.data定義高效的輸入流水線　192
9.3　在tf.keras中使用Scikit-learn優(yōu)化模型　193
9.4　ImageDataGenerator類圖像增強(qiáng)　193
9.5　CNN模型識(shí)別手寫(xiě)數(shù)字　194
9.6　CNN模型檢測(cè)駕駛員睡意　195