深度学习 基于Keras的Python实践2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

深度学习 基于Keras的Python实践PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分 初识2

1 初识深度学习2

1.1 Python的深度学习2

1.2 软件环境和基本要求3

1.2.1 Python和SciPy3

1.2.2 机器学习3

1.2.3 深度学习4

1.3 阅读本书的收获4

1.4 本书说明4

1.5 本书中的代码5

2 深度学习生态圈6

2.1 CNTK6

2.1.1 安装CNTK7

2.1.2 CNTK的简单例子8

2.2 TensorFlow8

2.2.1 TensorFlow介绍8

2.2.2 安装TensorFlow9

2.2.3 TensorFlow的简单例子9

2.3 Keras10

2.3.1 Keras简介11

2.3.2 Keras安装11

2.3.3 配置Keras的后端11

2.3.4 使用Keras构建深度学习模型12

2.4 云端GPUs计算13

第二部分 多层感知器16

3 第一个多层感知器实例：印第安人糖尿病诊断16

3.1 概述16

3.2 Pima Indians数据集17

3.3 导入数据18

3.4 定义模型19

3.5 编译模型20

3.6 训练模型21

3.7 评估模型21

3.8 汇总代码22

4 多层感知器速成24

4.1 多层感知器24

4.2 神经元25

4.2.1 神经元权重25

4.2.2 激活函数26

4.3 神经网络27

4.3.1 输入层（可视层）28

4.3.2 隐藏层28

4.3.3 输出层28

4.4 训练神经网络29

4.4.1 准备数据29

4.4.2 随机梯度下降算法30

4.4.3 权重更新30

4.4.4 预测新数据31

5 评估深度学习模型33

5.1 深度学习模型和评估33

5.2 自动评估34

5.3 手动评估36

5.3.1 手动分离数据集并评估36

5.3.2 k折交叉验证37

6 在Keras中使用Scikit-Learn40

6.1 使用交叉验证评估模型41

6.2 深度学习模型调参42

7 多分类实例：鸢尾花分类49

7.1 问题分析49

7.2 导入数据50

7.3 定义神经网络模型50

7.4 评估模型52

7.5 汇总代码52

8 回归问题实例：波士顿房价预测54

8.1 问题描述54

8.2 构建基准模型55

8.3 数据预处理57

8.4 调参隐藏层和神经元58

9 二分类实例：银行营销分类61

9.1 问题描述61

9.2 数据导入与预处理62

9.3 构建基准模型64

9.4 数据格式化66

9.5 调参网络拓扑图66

10 多层感知器进阶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 神经网络的检查点81

10.4.1 检查点跟踪神经网络模型82

10.4.2 自动保存最优模型84

10.4.3 从检查点导入模型86

10.5 模型训练过程可视化87

11 Dropout与学习率衰减92

11.1 神经网络中的Dropout92

11.2 在Keras中使用Dropout93

11.2.1 输入层使用Dropout94

11.2.2 在隐藏层使用Dropout95

11.2.3 Dropout的使用技巧97

11.3 学习率衰减97

11.3.1 学习率线性衰减98

11.3.2 学习率指数衰减100

11.3.3 学习率衰减的使用技巧103

第三部分 卷积神经网络106

12 卷积神经网络速成106

12.1 卷积层108

12.1.1 滤波器108

12.1.2 特征图109

12.2 池化层109

12.3 全连接层109

12.4 卷积神经网络案例110

13 手写数字识别112

13.1 问题描述112

13.2 导入数据113

13.3 多层感知器模型114

13.4 简单卷积神经网络117

13.5 复杂卷积神经网络120

14 Keras中的图像增强124

14.1 Keras中的图像增强API124

14.2 增强前的图像125

14.3 特征标准化126

14.4 ZCA白化128

14.5 随机旋转、移动、剪切和反转图像129

14.6 保存增强后的图像132

15 图像识别实例：CIFAR-10分类134

15.1 问题描述134

15.2 导入数据135

15.3 简单卷积神经网络136

15.4 大型卷积神经网络140

15.5 改进模型145

16 情感分析实例：IMDB影评情感分析152

16.1 问题描述152

16.2 导入数据153

16.3 词嵌入154

16.4 多层感知器模型155

16.5 卷积神经网络157

第四部分 循环神经网络162

17 循环神经网络速成162

17.1 处理序列问题的神经网络163

17.2 循环神经网络164

17.3 长短期记忆网络165

18 多层感知器的时间序列预测：国际旅行人数预测167

18.1 问题描述167

18.2 导入数据168

18.3 多层感知器169

18.4 使用窗口方法的多层感知器172

19 LSTM时间序列问题预测：国际旅行人数预测177

19.1 LSTM处理回归问题177

19.2 使用窗口方法的LSTM回归181

19.3 使用时间步长的LSTM回归185

19.4 LSTM的批次间记忆188

19.5 堆叠LSTM的批次间记忆192

20 序列分类：IMDB影评分类197

20.1 问题描述197

20.2 简单LSTM197

20.3 使用Dropout改进过拟合199

20.4 混合使用LSTM和CNN201

21 多变量时间序列预测：PM2.5预报203

21.1 问题描述203

21.2 数据导入与准备204

21.3 构建数据集206

21.4 简单LSTM207

22 文本生成实例：爱丽丝梦游仙境211

22.1 问题描述211

22.2 导入数据212

22.3 分词与向量化212

22.4 词云213

22.5 简单LSTM215

22.6 生成文本219

附录A 深度学习的基本概念223

A.1 神经网络基础223

A.2 卷积神经网络227

A.3 循环神经网络229