《深度学习：基于Keras的Python实践》内容简介

《深度学习：基于Keras的Python实践》本书系统讲解了深度学习的基本知识，以及使用深度学习解决实际问题，详细介绍了如何构建及优化模型，并针对不同的问题给出不同的解决方案，通过不同的例子展示了在具体项目中的应用和实践经验，是一本非常好的深度学习的入门和实践书籍。
《深度学习：基于Keras的Python实践》以实践为导向，使用Keras作为编程框架，强调简单、快速地上手建立模型，解决实际项目问题。读者可以通过学习本书，迅速上手实践深度学习，并利用深度学习解决实际问题。
《深度学习：基于Keras的Python实践》非常适合于项目经理，有意从事机器学习开发的程序员，以及高校在读相关专业的学生。
魏贞原，IBM高级项目经理，数据分析团队Leader，主要负责银行客户的复杂系统开发。同时是IBMCIC量子计算COE团队的Python领域专家，负责量子计算应用的探索工作，对机器学习和深度学习有深入的研究，精通于运用机器学习来解决数据科学的问题。并运营“知之Python”公众号，定期分享Python在机器学习和深度学习的实践知识。

作品目录

序言
前言
第一部分
初识
1.1、Python的深度学习
1.2、软件环境和基本要求
1.3、阅读本书的收获
1.4、本书说明
1.5、本书中的代码
2.1、CNTK
2.2、TensorFlow
2.3、Keras
2.4、云端GPUs计算
第二部分
多层感知器
3.1、概述
3.2、Pima
Indians数据集
3.3、导入数据
3.4、定义模型
3.5、编译模型
3.6、训练模型
3.7、评估模型
3.8、汇总代码
4.1、多层感知器
4.2、神经元
4.3、神经网络
4.4、训练神经网络
5.1、深度学习模型和评估
5.2、自动评估
5.3、手动评估
6.1、使用交叉验证评估模型
6.2、深度学习模型调参
7.1、问题分析
7.2、导入数据
7.3、定义神经网络模型
7.4、评估模型
7.5、汇总代码
8.1、问题描述
8.2、构建基准模型
8.3、数据预处理
8.4、调参隐藏层和神经元
9.1、问题描述
9.2、数据导入与预处理
9.3、构建基准模型
9.4、数据格式化
9.5、调参网络拓扑图
10.1、JSON序列化模型
10.2、YAML序列化模型
10.3、模型增量更新
10.4、神经网络的检查点
10.5、模型训练过程可视化
11.1、神经网络中的Dropout
11.2、在Keras中使用Dropout
11.3、学习率衰减
第三部分
卷积神经网络
12.1、卷积层
12.2、池化层
12.3、全连接层
12.4、卷积神经网络案例
13.1、问题描述
13.2、导入数据
13.3、多层感知器模型
13.4、简单卷积神经网络
13.5、复杂卷积神经网络
14.1、Keras中的图像增强API
14.2、增强前的图像
14.3、特征标准化
14.4、ZCA白化
14.5、随机旋转、移动、剪切和反转图像
14.6、保存增强后的图像
15.1、问题描述
15.2、导入数据
15.3、简单卷积神经网络
15.4、大型卷积神经网络
15.5、改进模型
16.1、问题描述
16.2、导入数据
16.3、词嵌入
16.4、多层感知器模型
16.5、卷积神经网络
第四部分
循环神经网络
17.1、处理序列问题的神经网络
17.2、循环神经网络
17.3、长短期记忆网络
18.1、问题描述
18.2、导入数据
18.3、多层感知器
18.4、使用窗口方法的多层感知器
19.1、LSTM处理回归问题
19.2、使用窗口方法的LSTM回归
19.3、使用时间步长的LSTM回归
19.4、LSTM的批次间记忆
19.5、堆叠LSTM的批次间记忆
20.1、问题描述
20.2、简单LSTM
20.3、使用Dropout改进过拟合
20.4、混合使用LSTM和CNN
21.1、问题描述
21.2、数据导入与准备
21.3、构建数据集
21.4、简单LSTM
22.1、问题描述
22.2、导入数据
22.3、分词与向量化
22.4、词云
22.5、简单LSTM
22.6、生成文本
附录A
深度学习的基本概念