深度學(xué)習(xí)：基于Keras的Python實(shí)踐

第一部分 初識(shí)
1 初識(shí)深度學(xué)習(xí)/2
1.1 Python的深度學(xué)習(xí)/2
1.2 軟件環(huán)境和基本要求/3
1.2.1 Python和SciPy/3
1.2.2 機(jī)器學(xué)習(xí)/3
1.2.3 深度學(xué)習(xí)/4
1.3 閱讀本書的收獲/4
1.4 本書說明/4
1.5 本書中的代碼/5
2 深度學(xué)習(xí)生態(tài)圈/6
2.1 CNTK/6
2.1.1 安裝CNTK/7
2.1.2 CNTK的簡(jiǎn)單例子/8
2.2 TensorFlow/8
2.2.1 TensorFlow介紹/8
2.2.2 安裝TensorFlow/9
2.2.3 TensorFlow的簡(jiǎn)單例子/9
2.3 Keras/10
2.3.1 Keras簡(jiǎn)介/11
2.3.2 Keras安裝/11
2.3.3 配置Keras的后端/11
2.3.4 使用Keras構(gòu)建深度學(xué)習(xí)模型/12
2.4 云端GPUs計(jì)算/13
第二部分 多層感知器
3 第一個(gè)多層感知器實(shí)例：印第安人糖尿病診斷/16
3.1 概述/16
3.2 Pima Indians數(shù)據(jù)集/17
3.3 導(dǎo)入數(shù)據(jù)/18
3.4 定義模型/19
3.5 編譯模型/20
3.6 訓(xùn)練模型/21
3.7 評(píng)估模型/21
3.8 匯總代碼/22
4 多層感知器速成/24
4.1 多層感知器/24
4.2 神經(jīng)元/25
4.2.1 神經(jīng)元權(quán)重/25
4.2.2 激活函數(shù)/26
4.3 神經(jīng)網(wǎng)絡(luò)/27
4.3.1 輸入層（可視層）/28
4.3.2 隱藏層/28
4.3.3 輸出層/28
4.4 訓(xùn)練神經(jīng)網(wǎng)絡(luò)/29
4.4.1 準(zhǔn)備數(shù)據(jù)/29
4.4.2 隨機(jī)梯度下降算法/30
4.4.3 權(quán)重更新/30
4.4.4 預(yù)測(cè)新數(shù)據(jù)/31
5 評(píng)估深度學(xué)習(xí)模型/33
5.1 深度學(xué)習(xí)模型和評(píng)估/33
5.2 自動(dòng)評(píng)估/34
5.3 手動(dòng)評(píng)估/36
5.3.1 手動(dòng)分離數(shù)據(jù)集并評(píng)估/36
5.3.2 k折交叉驗(yàn)證/37
6 在Keras中使用Scikit-Learn/40
6.1 使用交叉驗(yàn)證評(píng)估模型/41
6.2 深度學(xué)習(xí)模型調(diào)參/42
7 多分類實(shí)例：鳶尾花分類/49
7.1 問題分析/49
7.2 導(dǎo)入數(shù)據(jù)/50
7.3 定義神經(jīng)網(wǎng)絡(luò)模型/50
7.4 評(píng)估模型/52
7.5 匯總代碼/52
8 回歸問題實(shí)例：波士頓房?jī)r(jià)預(yù)測(cè)/54
8.1 問題描述/54
8.2 構(gòu)建基準(zhǔn)模型/55
8.3 數(shù)據(jù)預(yù)處理/57
8.4 調(diào)參隱藏層和神經(jīng)元/58
9 二分類實(shí)例：銀行營(yíng)銷分類/61
9.1 問題描述/61
9.2 數(shù)據(jù)導(dǎo)入與預(yù)處理/62
9.3 構(gòu)建基準(zhǔn)模型/64
9.4 數(shù)據(jù)格式化/66
9.5 調(diào)參網(wǎng)絡(luò)拓?fù)鋱D/66
10 多層感知器進(jìn)階/68
10.1 JSON序列化模型/68
10.2 YAML序列化模型/74
10.3 模型增量更新/78
10.4 神經(jīng)網(wǎng)絡(luò)的檢查點(diǎn)/81
10.4.1 檢查點(diǎn)跟蹤神經(jīng)網(wǎng)絡(luò)模型/82
10.4.2 自動(dòng)保存最優(yōu)模型/84
10.4.3 從檢查點(diǎn)導(dǎo)入模型/86
10.5 模型訓(xùn)練過程可視化/87
11 Dropout與學(xué)習(xí)率衰減92
11.1 神經(jīng)網(wǎng)絡(luò)中的Dropout/92
11.2 在Keras中使用Dropout/93
11.2.1 輸入層使用Dropout/94
11.2.2 在隱藏層使用Dropout/95
11.2.3 Dropout的使用技巧/97
11.3 學(xué)習(xí)率衰減/97
11.3.1 學(xué)習(xí)率線性衰減/98
11.3.2 學(xué)習(xí)率指數(shù)衰減/100
11.3.3 學(xué)習(xí)率衰減的使用技巧/103
第三部分 卷積神經(jīng)網(wǎng)絡(luò)
12 卷積神經(jīng)網(wǎng)絡(luò)速成/106
12.1 卷積層/108
12.1.1 濾波器/108
12.1.2 特征圖/109
12.2 池化層/109
12.3 全連接層/109
12.4 卷積神經(jīng)網(wǎng)絡(luò)案例/110
13 手寫數(shù)字識(shí)別/112
13.1 問題描述/112
13.2 導(dǎo)入數(shù)據(jù)/113
13.3 多層感知器模型/114
13.4 簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)/117
13.5 復(fù)雜卷積神經(jīng)網(wǎng)絡(luò)/120
14 Keras中的圖像增強(qiáng)/124
14.1 Keras中的圖像增強(qiáng)API/124
14.2 增強(qiáng)前的圖像/125
14.3 特征標(biāo)準(zhǔn)化/126
14.4 ZCA白化/128
14.5 隨機(jī)旋轉(zhuǎn)、移動(dòng)、剪切和反轉(zhuǎn)圖像/129
14.6 保存增強(qiáng)后的圖像/132
15 圖像識(shí)別實(shí)例：CIFAR-10分類/134
15.1 問題描述/134
15.2 導(dǎo)入數(shù)據(jù)/135
15.3 簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)/136
15.4 大型卷積神經(jīng)網(wǎng)絡(luò)/140
15.5 改進(jìn)模型/145
16 情感分析實(shí)例：IMDB影評(píng)情感分析/152
16.1 問題描述/152
16.2 導(dǎo)入數(shù)據(jù)/153
16.3 詞嵌入/154
16.4 多層感知器模型/155
16.5 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/162
17.1 處理序列問題的神經(jīng)網(wǎng)絡(luò)/163
17.2 循環(huán)神經(jīng)網(wǎng)絡(luò)/164
17.3 長(zhǎng)短期記憶網(wǎng)絡(luò)/165
18 多層感知器的時(shí)間序列預(yù)測(cè)：國(guó)際旅行人數(shù)預(yù)測(cè)/167
18.1 問題描述/167
18.2 導(dǎo)入數(shù)據(jù)/168
18.3 多層感知器/169
18.4 使用窗口方法的多層感知器/172
19 LSTM時(shí)間序列問題預(yù)測(cè)：國(guó)際旅行人數(shù)預(yù)測(cè)177
19.1 LSTM處理回歸問題/177
19.2 使用窗口方法的LSTM回歸/181
19.3 使用時(shí)間步長(zhǎng)的LSTM回歸/185
19.4 LSTM的批次間記憶/188
19.5 堆疊LSTM的批次間記憶/192
20 序列分類：IMDB影評(píng)分類/197
20.1 問題描述/197
20.2 簡(jiǎn)單LSTM/197
20.3 使用Dropout改進(jìn)過擬合/199
20.4 混合使用LSTM和CNN/201
21 多變量時(shí)間序列預(yù)測(cè)：PM2.5預(yù)報(bào)/203
21.1 問題描述/203
21.2 數(shù)據(jù)導(dǎo)入與準(zhǔn)備/204
21.3 構(gòu)建數(shù)據(jù)集/206
21.4 簡(jiǎn)單LSTM/207
22 文本生成實(shí)例：愛麗絲夢(mèng)游仙境/211
22.1 問題描述/211
22.2 導(dǎo)入數(shù)據(jù)/212
22.3 分詞與向量化/212
22.4 詞云/213
22.5 簡(jiǎn)單LSTM/215
22.6 生成文本/219
附錄A 深度學(xué)習(xí)的基本概念/223
A.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)/223
A.2 卷積神經(jīng)網(wǎng)絡(luò)/227
A.3 循環(huán)神經(jīng)網(wǎng)絡(luò)/229