深度學習：Keras快速開發(fā)入門

定　價：￥69.00

作　者：	樂毅，嚴超著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121318689	出版時間：	2017-07-01	包裝：	平裝
開本：	16開	頁數(shù)：	276	字數(shù)：

內容簡介

　　《深度學習：Keras快速開發(fā)入門》首先介紹了深度學習相關的理論和主流的深度學習框架，對比了不同深度學習框架的優(yōu)缺點，以Keras這一具有高度模塊化，極簡式的高層深度學習框架為切入點，從Keras的安裝、配置和編譯等基本環(huán)境入手，詳細介紹了Keras的模型、網(wǎng)絡結構、數(shù)據(jù)預處理方法、參數(shù)配置以及調試技巧和可視化工具。幫助讀者快速掌握一款深度學習框架，從而解決工作和學習當中神經網(wǎng)絡模型的使用問題。同時，《深度學習：Keras快速開發(fā)入門》還介紹了如何用Keras快速構建深度學習原型并著手實戰(zhàn)。最后通過Kaggle的知識競賽實例向讀者展示Keras作為深度學習開發(fā)工具的強大之處，從而幫助讀者迅速獲得深度學習開發(fā)經驗。《深度學習：Keras快速開發(fā)入門》是一本實踐性很強的深度學習工具書，適合希望快速學習和使用Keras深度學習框架的工程師、學者和從業(yè)者。特別適合立志從事深度學習和AI相關的行業(yè)，并且對于希望用Keras開發(fā)實際項目的工程技術人員，是非常實用的參考手冊和工具書。

作者簡介

　　樂毅，計算機專業(yè)碩士，現(xiàn)任職于某人工智能企業(yè)深度視覺項目，資深深度視覺架構師。負責公司利用深度學習技術在人臉識別的應用和開發(fā)，對深度學習及人臉識別技術具有濃厚興趣。擅長Caffe、Keras和TensoFlow等深度學習框架的開發(fā)和應用。嚴超，計算機專業(yè)碩士，現(xiàn)任職于某大型信息科技企業(yè)，高級軟件工程師。負責公司深度學習，云計算等技術領域的應用研究及相關項目，對機器學習、云計算、數(shù)據(jù)深度挖掘具有濃厚興趣。擅長Keras等深度學習框架及網(wǎng)絡模型應用。

圖書目錄

第1章 Keras概述 1
1.1 Keras簡介 1
1.1.1 Keras 2 1
1.1.2 Keras功能構成 4
1.2 Keras特點 6
1.3 主要深度學習框架 8
1.3.1 Caffe 8
1.3.2 Torch 10
1.3.3 Keras 12
1.3.4 MXNet 12
1.3.5 TensorFlow 13
1.3.5 CNTK 14
1.3.6 Theano 14
第2章 Keras的安裝與配置 16
2.1 Windows環(huán)境下安裝Keras 16
2.1.1 硬件配置 16
2.1.2 Windows版本 18
2.1.3 Microsoft Visual Studio版本 18
2.1.4 Python環(huán)境 18
2.1.5 CUDA 18
2.1.6 加速庫CuDNN 19
2.1.7 Keras框架的安裝 19
2.2 Linux環(huán)境下的安裝 20
2.2.1 硬件配置 20
2.2.2 Linux版本 21
2.2.3 Ubuntu環(huán)境的設置 22
2.2.4 CUDA開發(fā)環(huán)境 22
2.2.5 加速庫cuDNN 23
2.2.6 Keras框架安裝 24
第3章 Keras快速上手 25
3.1 基本概念 25
3.2 初識Sequential模型 29
3.3 一個MNIST手寫數(shù)字實例 30
3.3.1 MNIST數(shù)據(jù)準備 30
3.3.2 建立模型 31
3.3.3 訓練模型 32
第4章 Keras模型的定義 36
4.1 Keras模型 36
4.2 Sequential模型 38
4.2.1 Sequential模型接口 38
4.2.2 Sequential模型的數(shù)據(jù)輸入 48
4.2.3 模型編譯 49
4.2.4 模型訓練 50
4.3 函數(shù)式模型 51
4.3.1 全連接網(wǎng)絡 52
4.3.2 函數(shù)模型接口 53
4.3.3 多輸入和多輸出模型 63
4.3.4 共享層模型 67
第5章 Keras網(wǎng)絡結構 71
5.1 Keras層對象方法 71
5.2 常用層 72
5.2.1 Dense層 72
5.2.2 Activation層 74
5.2.3 Dropout層 75
5.2.4 Flatten層 75
5.2.5 Reshape層 76
5.2.6 Permute層 77
5.2.7 RepeatVector層 78
5.2.8 Lambda層 79
5.2.9 ActivityRegularizer層 80
5.2.10 Masking層 81
5.3 卷積層 82
5.3.1 Conv1D層 82
5.3.2 Conv2D層 84
5.3.3 SeparableConv2D層 87
5.3.4 Conv2DTranspose層 91
5.3.5 Conv3D層 94
5.3.6 Cropping1D層 97
5.3.6 Cropping2D層 97
5.3.7 Cropping3D層 98
5.3.8 UpSampling1D層 99
5.3.9 UpSampling2D層 100
5.3.10 UpSampling3D層 101
5.3.11 ZeroPadding1D層 102
5.3.12 ZeroPadding2D層 103
5.3.13 ZeroPadding3D層 104
5.4 池化層 105
5.4.1 MaxPooling1D層 105
5.4.2 MaxPooling2D層 106
5.4.3 MaxPooling3D層 108
5.4.4 AveragePooling1D層 109
5.4.5 AveragePooling2D層 110
5.4.6 AveragePooling3D層 111
5.4.7 GlobalMaxPooling1D層 112
5.4.8 GlobalAveragePooling1D層 113
5.4.9 GlobalMaxPooling2D層 113
5.4.10 GlobalAveragePooling2D層 114
5.5 局部連接層 115
5.5.1 LocallyConnected1D層 115
5.5.2 LocallyConnected2D層 117
5.6 循環(huán)層 120
5.6.1 Recurrent層 120
5.6.2 SimpleRNN層 124
5.6.3 GRU層 126
5.6.4 LSTM層 127
5.7 嵌入層 129
5.8 融合層 131
5.9 激活層 134
5.9.1 LeakyReLU層 134
5.9.2 PReLU層 134
5.9.3 ELU層 135
5.9.4 ThresholdedReLU層 136
5.10 規(guī)范層 137
5.11 噪聲層 139
5.11.1 GaussianNoise層 139
5.11.2 GaussianDropout層 139
5.12 包裝器Wrapper 140
5.12.1 TimeDistributed層 140
5.12.2 Bidirectional層 141
5.13 自定義層 142
第6章 Keras數(shù)據(jù)預處理 144
6.1 序列數(shù)據(jù)預處理 145
6.1.1 序列數(shù)據(jù)填充 145
6.1.2 提取序列跳字樣本 148
6.1.3 生成序列抽樣概率表 151
6.2 文本預處理 153
6.2.1 分割句子獲得單詞序列 153
6.2.2 OneHot序列編碼器 154
6.2.3 單詞向量化 155
6.3 圖像預處理 159
第7章 Keras內置網(wǎng)絡配置 167
7.1 模型性能評估模塊 168
7.1.1 Keras內置性能評估方法 168
7.1.2 使用Keras內置性能評估 170
7.1.3 自定義性能評估函數(shù) 171
7.2 損失函數(shù) 171
7.3 優(yōu)化器函數(shù) 174
7.3.1 Keras優(yōu)化器使用 174
7.3.2 Keras內置優(yōu)化器 176
7.4 激活函數(shù) 180
7.4.1 添加激活函數(shù)方法 180
7.4.2 Keras內置激活函數(shù) 181
7.4.3 Keras高級激活函數(shù) 185
7.5 初始化參數(shù) 189
7.5.1 使用初始化方法 189
7.5.2 Keras內置初始化方法 190
7.5.3 自定義Keras初始化方法 196
7.6 正則項 196
7.6.1 使用正則項 197
7.6.2 Keras內置正則項 198
7.6.3 自定義Keras正則項 198
7.7 參數(shù)約束項 199
7.7.1 使用參數(shù)約束項 199
7.7.2 Keras內置參數(shù)約束項 200
第8章 Keras實用技巧和可視化 202
8.1 Keras調試與排錯 202
8.1.1 Keras Callback回調函數(shù)與調試技巧 202
8.1.2 備份和還原Keras模型 215
8.2 Keras內置Scikit-Learn接口包裝器 217
8.3 Keras內置可視化工具 224
第9章 Keras實戰(zhàn) 227
9.1 訓練一個準確率高于90%的Cifar-10預測模型 227
9.1.1 數(shù)據(jù)預處理 232
9.1.2 訓練 233
9.2 在Keras模型中使用預訓練詞向量判定文本類別 239
9.2.1 數(shù)據(jù)下載和實驗方法 240
9.2.2 數(shù)據(jù)預處理 241
9.2.3 訓練 245
9.3 用Keras實現(xiàn)DCGAN生成對抗網(wǎng)絡還原MNIST樣本 247
9.3.1 DCGAN網(wǎng)絡拓撲結構 250
9.3.2 訓練 254