Keras 深度學習：入門、實戰與進階

這是一本理論與實踐兼顧的深度學習著作，
它通過精心的內容組織和豐富的案例講解，幫助讀者零基礎入門，
並迅速晉級為有一定理論基礎和項目實戰能力的高手。
基礎方面，不僅介紹了Keras等各種深度學習框架的使用和開發環境的搭建，還對深度學習的基礎知識做了全面講解； 
理論方面，詳細講解了全連接神經網絡、卷積神經網絡、循環神經網絡、
自編碼器和生成式對抗網絡等核心神經網絡的原理和應用； 應用層面，
不僅講解瞭如何用Keras開發各種深度學習模型，還講解了深度學習在圖像處理和文本處理兩大核心場景的應用；
 實戰方面，每個深度學習模型原理的背後都有精心設計的Keras實現代碼，每章都有多個綜合性案例，
讀者可以在調試和執行代碼的過程中掌握深度學習模型設計與開發的各種方法和技巧。
 本書內容結構合理，重點突出；寫作方式循序漸進，易於讀者理解；
行文風格幽默風趣，讀起來不枯燥。

謝佳標 

資深數據分析與挖掘專家，有近10年的數據分析與挖掘相關工作的經驗，
從事過電商、電購、電力和遊戲等行業，熟悉不同行業的數據特點，有豐富的R語言數據挖掘的實戰經驗。
微軟中國最有價值專家(MVP)。
 目前供職於國內知名遊戲公司——樂逗遊戲，任高級數據分析師。
作為創夢天地數據挖掘組負責人，帶領團隊搭建用戶畫像標籤庫和智能推薦系統，
對遊戲數據進行深度挖掘，主要利用R語言進行大數據的挖掘和可視化工作。
多次受邀在中國R語言大會上發表演講，曾受邀在中山大學、
貴州大學、華南師範大學、廈門大學等多所高校做R語言主題分享。
同時還研發了《R語言基礎培訓》《數據分析之R語言實戰》《機器學習與R語言實踐》
《Rattle：可視化數據挖掘工具》《R語言行業案例實戰》等有影響力的精品課程，
合著有《R語言與數據挖掘》和《數據實踐之美》等書籍。

目錄
前言
第1章 準備深度學習的環境
1.1 機器學習與深度學習
1.2 主流深度學習框架介紹
1.2.1 TensorFlow
1.2.2 Keras
1.2.3 Caffe
1.2.4 PyTorch
1.2.5 Theano
1.2.6 CNTK
1.2.7 MXNet
1.2.8 ONNX
1.3 配置深度學習的軟件環境
1.3.1 安裝Anaconda
1.3.2 在Anaconda中安裝TensorFlow
1.3.3 在Anaconda中安裝Keras
1.3.4 安裝R和RStudio
1.3.5 在RStudio中安裝TensorFlow
1.3.6 在RStudio中安裝Keras
1.4 Keras構建深度學習模型
1.4.1 MNIST數據集
1.4.2 數據預處理
1.4.3 模型建立及訓練
1.4.4 模型評估及預測
1.5 本章小結

第2章 深度學習簡介
2.1 神經網絡基礎
2.1.1 神經元
2.1.2 激活函數
2.1.3 神經網絡的拓撲結構
2.1.4 神經網絡的主要類型
2.1.5 損失函數
2.2 優化網絡的方法
2.2.1 梯度下降算法
2.2.2 自適應學習率算法
2.3 防止模型過擬合
2.3.1 過擬合與欠擬合
2.3.2 正則化的方法
2.3.3 數據拆分
2.3.4 Dropout
2.4 綜合實例：電信流失用戶預測
2.4.1 數據預處理
2.4.2 選擇優化器
2.4.3 增加內部隱藏層神經元數量
2.4.4 採用正則化避免過擬合
2.5 本章小結

第3章 如何用Keras開發深度學習模型
3.1 Keras模型的生命週期
3.1.1 數據預處理
3.1.2 定義網絡
3.1.3 編譯網絡
3.1.4 訓練網絡
3.1.5 評估網絡
3.1.6 做出預測
3.2 Keras模型
3.2.1 序貫模型
3.2.2 使用函數式API創建的模型
3.3 模型可視化
3.3.1 網絡拓撲可視化
3.3.2 模型訓練可視化
3.3.3 TensorBoard可視化
3.4 Keras中的回調函數
3.4.1 回調函數介紹
3.3.2 使用回調函數尋找第優模型
3.5 模型保存及序列化
3.5.1 使用HDF5格式保存模型
3.5.2 使用JSON格式保存模型
3.5.3 使用YAML格式保存模型
3.6 本章小結

第4章 深度學習的圖像數據預處理
4.1 圖像處理EBImage包
4.1.1 圖像讀取與保存
4.1.2 圖像對象和矩陣
4.1.3 色彩管理
4.1.4 圖像處理
4.1.5 空間變換
4.1.6 圖像濾波
4.1.7 形態運算
4.1.8 圖像分割
4.2 利用Keras進行圖像預處理
4.2.1 圖像讀取與保存
4.2.2 圖像生成器image_data_generator
4.2.3 image_data_generator實例
4.3 綜合實例：對彩色花圖像進行分類
4.3.1 圖像數據讀取及探索
4.3.2 MLP模型建立及預測
4.3.3 CNN模型建立與預測
4.3.4 利用數據增強改善CNN模型
4.4 本章小結

第5章 全連接神經網絡的經典實例
5.1 回歸問題實例：波士頓房價預測
5.1.1 波士頓房價數據描述
5.1.2 波士頓房價數據預處理
5.1.3 波士頓房價預測
5.2 多分類實例：鳶尾花分類
5.2.1 鳶尾花數據描述
5.2.2 鳶尾花數據預處理
5.2.3 鳶尾花分類建模
5.3 二分類實例：印第安人糖尿病診斷
5.3.1 印第安人糖尿病數據描述
5.3.2 印第安人糖尿病數據預處理
5.3.3 印第安人糖尿病診斷建模
5.4 二分類實例：泰坦尼克號上旅客生存預測
5.4.1 泰坦尼克號的旅客數據描述
5.4.2 泰坦尼克號的旅客數據預處理
5.4.3 生存預測建模
5.5 多分類實例：彩色手寫數字圖像識別
5.5.1 彩色手寫數字圖像數據描述
5.5.2 彩色手寫數字圖像數據預處理
5.5.3 彩色手寫數字圖像數據建模
5.6 本章小結

第6章 卷積神經網絡及圖像分類
6.1 卷積神經網絡原理
6.1.1 卷積層
6.1.2 卷積層的Keras實現
6.1.3 池化層
6.1.4 池化層的Keras實現
6.1.5 全連接層
6.2 多分類實例：小數據集的圖像識別
6.2.1 導入本地圖像數據
6.2.2 圖像數據預處理
6.2.3 建立全連接神經網絡模型識別小數據集圖像
6.2.4 建立簡單卷積神經網絡識別小數據集圖像
6.2.5 建立復雜卷積神經網絡識別小數據集圖像
6.3 多分類實例：彩色手寫數字圖像識別
6.3.1 導入及處理本地手寫數字圖像
6.3.2 MNIST數據預處理
6.3.3 構建簡單卷積神經網絡識別彩色手寫數字
6.3.4 構建複雜卷積神經網絡識別彩色手寫數字
6.4 多分類實例：CIFAR-10圖像識別
6.4.1 CIFAR-10數據描述
6.4.2 加載CIFAR-10數據
6.4.3 CIFAR-10數據預處理
6.4.4 構建簡單卷積神經網絡識別CIFAR-10圖像
6.4.5 構建複雜卷積神經網絡識別CIFAR-10圖像
6.5 本章小結

第7章 循環神經網絡
7.1 簡單循環網絡
7.1.1 簡單循環網絡基本原理
7.1.2 簡單循環