深度學(xué)習（基于Keras的Python實踐）

深度學(xué)習基于Keras的Python實踐目錄第一部分初識1初識深度學(xué)習/21.1Python的深度學(xué)習/21.2軟件環(huán)境和基本要求/31.2.1Python和SciPy/31.2.2機器學(xué)習/31.2.3深度學(xué)習/41.3閱讀本書的收獲/41.4本書說明/41.5本書中的代碼/52深度學(xué)習生態(tài)圈/62.1CNTK/62.1.1安裝CNTK/72.1.2CNTK的簡單例子/82.2TensorFlow/82.2.1TensorFlow介紹/82.2.2安裝TensorFlow/92.2.3TensorFlow的簡單例子/92.3Keras/102.3.1Keras簡介/112.3.2Keras安裝/112.3.3配置Keras的后端/112.3.4使用Keras構(gòu)建深度學(xué)習模型/122.4云端GPUs計算/13第二部分

\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%EF%BC%9A%E5%9F%BA%E4%BA%8EKeras%E7%9A%84Python%E5%AE%9E%E8%B7%B5/_blank"多層感知器3第一個多層感知器實例：印第安人糖尿病診斷/163.1概述/163.2PimaIndians數(shù)據(jù)集/173.3導(dǎo)入數(shù)據(jù)/183.4定義模型/193.5編譯模型/203.6訓(xùn)練模型/213.7評估模型/213.8匯總代碼/224多層感知器速成/244.1多層感知器/244.2神經(jīng)元/254.2.1神經(jīng)元權(quán)重/254.2.2激活函數(shù)/264.3神經(jīng)網(wǎng)絡(luò)/274.3.1輸入層（可視層）/284.3.2隱藏層/284.3.3輸出層/284.4訓(xùn)練神經(jīng)網(wǎng)絡(luò)/294.4.1準備數(shù)據(jù)/294.4.2隨機梯度下降算法/304.4.3權(quán)重更新/304.4.4預(yù)測新數(shù)據(jù)/315評估深度學(xué)習模型/335.1深度學(xué)習模型和評估/335.2自動評估/345.3手動評估/365.3.1手動分離數(shù)據(jù)集并評估/365.3.2k折交叉驗證/376在Keras中使用Scikit-Learn/406.1使用交叉驗證評估模型/416.2深度學(xué)習模型調(diào)參/427多分類實例：鳶尾花分類/497.1問題分析/497.2導(dǎo)入數(shù)據(jù)/507.3定義\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%EF%BC%9A%E5%9F%BA%E4%BA%8EKeras%E7%9A%84Python%E5%AE%9E%E8%B7%B5/_blank"神經(jīng)網(wǎng)絡(luò)模型/507.4評估模型/527.5匯總代碼/528回歸問題實例：波士頓房價預(yù)測/548.1問題描述/548.2構(gòu)建基準模型/558.3數(shù)據(jù)預(yù)處理/578.4調(diào)參隱藏層和神經(jīng)元/589二分類實例：銀行營銷分類/619.1問題描述/619.2數(shù)據(jù)導(dǎo)入與預(yù)處理/629.3構(gòu)建基準模型/649.4數(shù)據(jù)格式化/669.5調(diào)參網(wǎng)絡(luò)拓撲圖/6610多層感知器進階/6810.1JSON序列化模型/6810.2YAML序列化模型/7410.3模型增量更新/7810.4神經(jīng)網(wǎng)絡(luò)的檢查點/8110.4.1檢查點跟蹤\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%EF%BC%9A%E5%9F%BA%E4%BA%8EKeras%E7%9A%84Python%E5%AE%9E%E8%B7%B5/_blank"神經(jīng)網(wǎng)絡(luò)模型/8210.4.2自動保存最優(yōu)模型/8410.4.3從檢查點導(dǎo)入模型/8610.5模型訓(xùn)練過程可視化/8711Dropout與學(xué)習率衰減9211.1神經(jīng)網(wǎng)絡(luò)中的Dropout/9211.2在Keras中使用Dropout/9311.2.1輸入層使用Dropout/9411.2.2在隱藏層使用Dropout/9511.2.3Dropout的使用技巧/9711.3學(xué)習率衰減/9711.3.1學(xué)習率線性衰減/9811.3.2學(xué)習率指數(shù)衰減/10011.3.3學(xué)習率衰減的使用技巧/103第三部分

\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%EF%BC%9A%E5%9F%BA%E4%BA%8EKeras%E7%9A%84Python%E5%AE%9E%E8%B7%B5/_blank"卷積神經(jīng)網(wǎng)絡(luò)12卷積神經(jīng)網(wǎng)絡(luò)速成/10612.1卷積層/10812.1.1濾波器/10812.1.2特征圖/10912.2池化層/10912.3全連接層/10912.4卷積神經(jīng)網(wǎng)絡(luò)案例/11013手寫數(shù)字識別/11213.1問題描述/11213.2導(dǎo)入數(shù)據(jù)/11313.3多層感知器模型/11413.4簡單卷積神經(jīng)網(wǎng)絡(luò)/11713.5復(fù)雜\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%EF%BC%9A%E5%9F%BA%E4%BA%8EKeras%E7%9A%84Python%E5%AE%9E%E8%B7%B5/_blank"卷積神經(jīng)網(wǎng)絡(luò)/12014Keras中的圖像增強/12414.1Keras中的圖像增強API/12414.2增強前的圖像/12514.3特征標準化/12614.4ZCA白化/12814.5隨機旋轉(zhuǎn)、移動、剪切和反轉(zhuǎn)圖像/12914.6保存增強后的圖像/13215圖像識別實例：CIFAR-10分類/13415.1問題描述/13415.2導(dǎo)入數(shù)據(jù)/13515.3簡單卷積神經(jīng)網(wǎng)絡(luò)/13615.4大型卷積神經(jīng)網(wǎng)絡(luò)/14015.5改進模型/14516情感分析實例：IMDB影評情感分析/15216.1問題描述/15216.2導(dǎo)入數(shù)據(jù)/15316.3詞嵌入/15416.4多層感知器模型/15516.5卷積神經(jīng)網(wǎng)絡(luò)/157第四部分循環(huán)神經(jīng)網(wǎng)絡(luò)17循環(huán)神經(jīng)網(wǎng)絡(luò)速成/16217.1處理序列問題的神經(jīng)網(wǎng)絡(luò)/16317.2循環(huán)神經(jīng)網(wǎng)絡(luò)/16417.3長短期記憶網(wǎng)絡(luò)/16518多層感知器的時間序列預(yù)測：國際旅行人數(shù)預(yù)測/16718.1問題描述/16718.2導(dǎo)入數(shù)據(jù)/16818.3多層感知器/16918.4使用窗口方法的多層感知器/17219LSTM時間序列問題預(yù)測：國際旅行人數(shù)預(yù)測17719.1LSTM處理回歸問題/17719.2使用窗口方法的LSTM回歸/18119.3使用時間步長的LSTM回歸/18519.4LSTM的批次間記憶/18819.5堆疊LSTM的批次間記憶/19220序列分類：IMDB影評分類/19720.1問題描述/19720.2簡單LSTM/19720.3使用Dropout改進過擬合/19920.4混合使用LSTM和CNN/20121多變量時間序列預(yù)測：PM2.5預(yù)報/20321.1問題描述/20321.2數(shù)據(jù)導(dǎo)入與準備/20421.3構(gòu)建數(shù)據(jù)集/20621.4簡單LSTM/20722文本生