Keras實戰:基於TensorFlow2.2的深度學習實踐

王曉華

立即出貨

  • Keras實戰:基於TensorFlow2.2的深度學習實踐-preview-1
  • Keras實戰:基於TensorFlow2.2的深度學習實踐-preview-2
  • Keras實戰:基於TensorFlow2.2的深度學習實踐-preview-3
Keras實戰:基於TensorFlow2.2的深度學習實踐-preview-1

買這商品的人也買了...

相關主題

商品描述

Keras是一個用Python編寫的開源人工神經網絡庫,可以作為TensorFlow、CNTK和Theano的高階應用程序接口,進行深度學習模型的設計、調試、評估、應用和可視化。本書從初學者的角度出發,為讀者構建一個完整的Keras技術體系。 本書共分為9章,主要內容包括深度學習框架Keras的背景、搭建學習環境、深度學習的理論基礎、捲積層與MNIST實戰、多層感知機與MNIST實戰、TensorFlow Datasets和TensorBoard、ResNet及其兄弟ResNext,最後是兩個項目實戰案例——詞嵌入與情感分類。 本書既適合Keras深度學習初學者、深度學習算法技術人員閱讀,也適合作為高等院校與培訓機構人工智能相關專業的師生參考。

作者簡介

王曉華,計算機專業講師,長期講授面向對象程序設計、數據結構、Hadoop程序設計等研究生和本科生相關課程;主要研究方向為雲計算、數據挖掘。
曾主持和參與多項國家和省級科研課題,獨立科研項目獲省級成果認定,發表過多篇論文,擁有一項專利。
著有《Spark MLlib機器學習實踐》《TensorFlow深度學習應用實踐》《OpenCV+TensorFlow深度學習與計算機視覺實戰》《TensorFlow 2.0卷積神經網絡實戰》等圖書。

目錄大綱

內容簡介
前言

第1章深度學習與應用框架
1.1何為深度學習
1.1.1何為深度學習
1.1.2與傳統的“淺層學習”的區別
1.2開汽車或者製造汽車——深度學習入門
1.2.1第一步:數據的準備
1.2.2第二步:數據的處理
1.2.3第三步:模型的設計
1.2.4第四步:模型的訓練
1.2.5第五步:模型的結果和展示
1.3深度學習的流程、應用場景和模型分類
1.3.1深度學習的流程與應用場景
1.3.2深度學習的模型分類
1.4主流深度學習框架對比
1.4.1深度學習框架的選擇
1.4.2 Keras與TensorFlow
1.5本章小結

第2章Hello TensorFlow & Keras
2.1 TensorFlow的環境安裝
2.1.1 Anaconda的下載與安裝
2.1.2 Python編譯器PyCharm的安裝
2.1.3使用Python計算softmax函數
2.2搭建環境2:安裝TensorFlow 2.2
2.2.1安裝TensorFlow 2.2的CPU版本
2.2.2安裝TensorFlow 2.2的GPU版本
2.3 TensorFlow & Keras
2.3.1模型!模型!模型!還是模型
2.3.2使用Keras API實現鳶尾花分類的例子(順序模型)
2.3.3使用Keras函數式編程實現鳶尾花分類的例子(重點)
2.3.4使用保存的Keras模式對模型進行複用
2.3. 5使用TensorFlow標準化編譯對iris模型進行擬合
2.3.6多輸入單一輸出TensorFlow編譯方法(選學)
2.3.7多輸入多輸出TensorFlow編譯方法(選學)
2.4全連接層詳解
2.4.1全連接層的定義與實現
2.4.2使用Keras實現全連接層
2.4.3打印顯示已設計的模型結構和參數
2.5懶人的福音——Keras模型庫
2.5.1 ResNet50模型和參數的載入
2.5.2使用ResNet50作為特徵提取層建立模型
2.6本章小結

第3章深度學習的理論基礎
3.1 BP神經網絡簡介
3.2 BP神經網絡兩個基礎算法詳解
3.2.1最小二乘法詳解
3.2.2道士下山的故事——梯度下降算法
3.3反饋神經網絡反向傳播算法
3.3.1深度學習基礎
3.3.2鍊式求導法則
3.3.3反饋神經網絡原理與公式推導
3.3.4反饋神經網絡原理的激活函數
3.3.5反饋神經網絡原理的Python實現
3.4本章小結

第4章卷積層與MNIST實戰
4.1卷積運算基本概念
4.1.1卷積運算
4.1.2 TensorFlow中卷積函數的實現
4.1.3池化運算
4.1.4 softmax激活函數
4.1.5卷積神經網絡原理
4.2編程實戰:MNIST手寫體識別
4.2.1 MNIST數據集
4.2.2 MNIST數據集特徵和標籤
4.2.3 TensorFlow 2.2編程實戰:MNIST數據集
4.2.4使用自定義的捲積層實現MNIST識別
4.3本章小結

第5章多層感知機與MNIST實戰
5.1一個簡單的多層感知機
5.1.1多層感知機的原理與實現
5.1.2多層感知機的激活函數
5.2消除過擬合——正則化與dropout
5.2.1正則化與dropout概述
5.2.2使用防過擬合處理的多層感知機
5.2.3 Keras創建多層感知機的細節問題
5.3本章小結

第6章TensorFlow Datasets和TensorBoard
6.1 TensorFlow Datasets簡介
6.1.1 Datasets數據集的安裝
6.1.2 Datasets數據集的使用
6.2 Datasets數據集的使用——FashionMNIST
6.2.1 FashionMNIST數據集下載與展示
6.2.2模型的建立與訓練
6.3使用Keras對FashionMNIST數據集進行處理
6.3.1獲取數據集
6.3 .2數據集的調整
6.3.3使用Python類函數建立模型
6.3.4模型的查看和參數打印
6.3.5模型的訓練和評估
6.4使用TensorBoard可視化訓練過程
6.4.1 TensorBoard的文件夾設置
6.4.2 TensorBoard的顯式調用
6.4.3 TensorBoard的使用
6.5本章小結

第7章從冠軍開始:ResNet
7.1 ResNet的基本原理與程序設計基礎
7.1.1 ResNet誕生的背景
7.1.2模塊工具的TensorFlow實現——不要重複造輪子
7.1.3 TensorFlow高級模塊layers的用法
7.2 ResNet實戰:CIFAR-100數據集分類
7.2.1 CIFAR-100數據集簡介
7.2.2 ResNet殘差模塊的實現
7.2.3 ResNet網絡的實現
7.2.4使用ResNet對CIFAR-100數據集進行分類
7.3 ResNet的兄弟——ResNeXt
7.3.1 ResNeXt誕生的背景
7.3.2 ResNeXt殘差模塊的實現
7.3.3 ResNeXt網絡的實現
7.3.4 ResNeXt和ResNet的比較
7.4本章小結

第8章Keras實戰——有趣的詞嵌入
8.1文本數據處理
8.1.1數據集和數據清洗
8.1.2停用詞的使用
8.1.3詞向量訓練模型word2vec的使用
8.1.4文本主題的提取:基於TF-IDF(選學)
8.1. 5文本主題的提取:基於TextRank(選學)
8.2更多的詞嵌入方法——fastText和預訓練詞向量
8.2.1 fastText的原理與基礎算法
8.2.2 fastText訓練以及與TensorFlow 2.X的協同使用
8.2.3使用其他預訓練參數做TensorFlow詞嵌入矩陣(中文)
8.3針對文本的捲積神經網絡模型——字符卷積
8.3.1字符(非單詞)文本的處理
8.3.2卷積神經網絡文本分類模型的實現——conv1d(一維卷積)
8.4針對文本的捲積神經網絡模型——詞卷積
8.4.1單詞的文本處理
8.4.2卷積神經網絡文本分類模型的實現——conv2d(二維卷積)
8.5使用卷積對文本分類的補充內容
8.5.1中文的文本處理
8.5.2其他細節
8.6本章小結

第9章Keras實戰——站在巨人肩膀上的情感分類實戰
9.1 GRU與情感分類
9.1.1使用GRU的情感分類
9.1.2什麼是GRU
9.1.3 TensorFlow中的GRU層
9.1.4單向不行就雙向
9.2站在巨人肩膀上的情感分類
9.2.1使用TensorFlow自帶的模型做文本分類
9.2.2使用自定義的DPCNN做模型分類
9.3本章小結