深度學(xué)習(xí)（基于Keras的Python實(shí)踐）

深度學(xué)習(xí)基于Keras的Python實(shí)踐目錄第一部分初識(shí)1初識(shí)深度學(xué)習(xí)/21.1Python的深度學(xué)習(xí)/21.2軟件環(huán)境和基本要求/31.2.1Python和SciPy/31.2.2機(jī)器學(xué)習(xí)/31.2.3深度學(xué)習(xí)/41.3閱讀本書(shū)的收獲/41.4本書(shū)說(shuō)明/41.5本書(shū)中的代碼/52深度學(xué)習(xí)生態(tài)圈/62.1CNTK/62.1.1安裝CNTK/72.1.2CNTK的簡(jiǎn)單例子/82.2TensorFlow/82.2.1TensorFlow介紹/82.2.2安裝TensorFlow/92.2.3TensorFlow的簡(jiǎn)單例子/92.3Keras/102.3.1Keras簡(jiǎn)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(xí)模型/122.4云端GPUs計(jì)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(gè)多層感知器實(shí)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(píng)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(zhǔn)備數(shù)據(jù)/294.4.2隨機(jī)梯度下降算法/304.4.3權(quán)重更新/304.4.4預(yù)測(cè)新數(shù)據(jù)/315評(píng)估深度學(xué)習(xí)模型/335.1深度學(xué)習(xí)模型和評(píng)估/335.2自動(dòng)評(píng)估/345.3手動(dòng)評(píng)估/365.3.1手動(dòng)分離數(shù)據(jù)集并評(píng)估/365.3.2k折交叉驗(yàn)證/376在Keras中使用Scikit-Learn/406.1使用交叉驗(yàn)證評(píng)估模型/416.2深度學(xué)習(xí)模型調(diào)參/427多分類實(shí)例：鳶尾花分類/497.1問(wèn)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(píng)估模型/527.5匯總代碼/528回歸問(wèn)題實(shí)例：波士頓房?jī)r(jià)預(yù)測(cè)/548.1問(wèn)題描述/548.2構(gòu)建基準(zhǔn)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(shí)例：銀行營(yíng)銷分類/619.1問(wèn)題描述/619.2數(shù)據(jù)導(dǎo)入與預(yù)處理/629.3構(gòu)建基準(zhǔn)模型/649.4數(shù)據(jù)格式化/669.5調(diào)參網(wǎng)絡(luò)拓?fù)鋱D/6610多層感知器進(jìn)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(diǎn)/8110.4.1檢查點(diǎn)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(dòng)保存最優(yōu)模型/8410.4.3從檢查點(diǎn)導(dǎo)入模型/8610.5模型訓(xùn)練過(guò)程可視化/8711Dropout與學(xué)習(xí)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(xí)率衰減/9711.3.1學(xué)習(xí)率線性衰減/9811.3.2學(xué)習(xí)率指數(shù)衰減/10011.3.3學(xué)習(xí)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(shí)別/11213.1問(wèn)題描述/11213.2導(dǎo)入數(shù)據(jù)/11313.3多層感知器模型/11413.4簡(jiǎn)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(qiáng)/12414.1Keras中的圖像增強(qiáng)API/12414.2增強(qiáng)前的圖像/12514.3特征標(biāo)準(zhǔn)化/12614.4ZCA白化/12814.5隨機(jī)旋轉(zhuǎn)、移動(dòng)、剪切和反轉(zhuǎn)圖像/12914.6保存增強(qiáng)后的圖像/13215圖像識(shí)別實(shí)例：CIFAR-10分類/13415.1問(wèn)題描述/13415.2導(dǎo)入數(shù)據(jù)/13515.3簡(jiǎn)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(jìn)模型/14516情感分析實(shí)例：IMDB影評(píng)情感分析/15216.1問(wèn)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(wèn)題的神經(jīng)網(wǎng)絡(luò)/16317.2循環(huán)神經(jīng)網(wǎng)絡(luò)/16417.3長(zhǎng)短期記憶網(wǎng)絡(luò)/16518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)/16718.1問(wèn)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(shí)間序列問(wèn)題預(yù)測(cè)：國(guó)際旅行人數(shù)預(yù)測(cè)17719.1LSTM處理回歸問(wèn)題/17719.2使用窗口方法的LSTM回歸/18119.3使用時(shí)間步長(zhǎng)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(píng)分類/19720.1問(wèn)題描述/19720.2簡(jiǎn)單LSTM/19720.3使用Dropout改進(jìn)過(guò)擬合/19920.4混合使用LSTM和CNN/20121多變量時(shí)間序列預(yù)測(cè)：PM2.5預(yù)報(bào)/20321.1問(wèn)題描述/20321.2數(shù)據(jù)導(dǎo)入與準(zhǔn)備/20421.3構(gòu)建數(shù)據(jù)集/20621.4簡(jiǎn)單LSTM/20722文本生