深度學習:Keras快速開發入門 深度学习:Keras快速开发入门

樂毅, 嚴超

  • 出版商: 電子工業出版社
  • 出版日期: 2017-08-01
  • 定價: CNY $69.00
  • 售價: $414
  • 貴賓價: 9.5$393
  • 語言: 簡體中文
  • 頁數: 276
  • 裝訂: 平裝
  • ISBN: 7121318687
  • ISBN-13: 9787121318689

立即出貨 (庫存 < 4)

買這商品的人也買了...

產品描述

《深度學習:Keras快速開發入門》內容提要
《深度學習:Keras快速開發入門》首先介紹了深度學習相關的理論和主流的深度學習框架,對比了不同深度學習框架的優缺點,以Keras這一具有高度模塊化,極簡式的高層深度學習框架為切入點,從Keras的安裝、配置和編譯等基本環境入手,詳細介紹了Keras的模型、網絡結構、數據預處理方法、參數配置以及調試技巧和可視化工具。

幫助讀者快速掌握一款深度學習框架,從而解決工作和學習當中神經網絡模型的使用問題。

同時,《深度學習:Keras快速開發入門》還介紹瞭如何用Keras快速構建深度學習原型並著手實戰。

最後通過Kaggle的知識競賽實例向讀者展示Keras作為深度學習開發工具的強大之處,從而幫助讀者迅速獲得深度學習開發經驗。

《深度學習:Keras快速開發入門》是一本實踐性很強的深度學習工具書,適合希望快速學習和使用Keras深度學習框架的工程師、學者和從業者。

特別適合立志從事深度學習和AI相關的行業,並且對於希望用Keras開發實際項目的工程技術人員,是非常實用的參考手冊和工具書。
 

作者簡介

樂毅:

計算機專業碩士,現任職於某人工智能企業深度視覺項目,資深深度視覺架構師。負責公司利用深度學習技術在人臉識別的應用和開發,對深度學習及人臉識別技術具有濃厚興趣。擅長Caffe、Keras和TensoFlow等深度學習框架的開發和應用。

嚴超:

計算機專業碩士,現任職於某大型信息科技企業,高級軟件工程師。負責公司深度學習,雲計算等技術領域的應用研究及相關項目,對機器學習、雲計算、數據深度挖掘具有濃厚興趣。擅長Keras等深度學習框架及網絡模型應用。

目錄大綱

第1章Keras概述1 

1.1 Keras簡介1 

1.1.1 Keras 2 1 

1.1.2 Keras功能構成4 

1.2 Keras特點6 

1.3主要深度學習框架8 

1.3.1 Caffe 8 

1.3.2 Torch 10 

1.3.3 Keras 12 

1.3. 4 MXNet 12 

1.3.5 TensorFlow 13 

1.3.5 CNTK 14 

1.3.6 Theano 14 

第2章Keras的安裝與配置16 

2.1 Windows環境下安裝Keras 16 

2.1.1硬件配置16 

2.1.2 Windows版本18 

2.1.3 Microsoft Visual Studio版本18 

2.1.4 Python環境18 

2.1.5 CUDA 18 

2.1.6加速庫CuDNN 19 

2.1.7 Keras框架的安裝19 

2.2 Linux環境下的安裝20 

2.2.1硬件配置20 

2.2.2 Linux版本21 

2.2 .3 Ubuntu環境的設置22 

2.2.4 CUDA開發環境22 

2.2.5加速庫cuDNN 23 

2.2.6 Keras框架安裝24 

第3章Keras快速上手25 

3.1基本概念25 

3.2初識Sequential模型29 

3.3一個MNIST手寫數字實例30 

3.3.1 MNIST數據準備30 

3.3.2建立模型31 

3.3.3訓練模型32 

第4章Keras模型的定義36 

4.1 Keras模型36 

4.2 Sequential模型38 

4.2.1 Sequential模型接口38 

4.2.2 Sequential模型的數據輸入48 

4.2.3模型編譯49 

4.2.4模型 練50 

4.3函數式模型51 

4.3.1全連接網絡52 

4.3.2函數模型接口53 

4.3.3多輸入和多輸出模型63 

4.3.4共享層模型67 

第5章Keras網絡結構71 

5.1 Keras層對象方法71 

5.2常用層72 

5.2.1 Dense層72 

5.2.2 Activation層74 

5.2.3 Dropout層75 

5.2.4 Flatten層75 

5.2.5 Reshape層76 

5.2.6 Permute層77 

5.2.7 RepeatVector層78 

5.2.8 Lambda層79 

5.2.9 ActivityRegularizer層80 

5.2.10 Masking層81 

5.3卷積層82 

5.3.1 Conv1D層82 

5.3.2 Conv2D層84 

5.3.3 SeparableConv2D層87 

5.3.4 Conv2DTranspose層91 

5.3.5 Conv3D層94 

5.3.6 Cropping1D層97 

5.3.6 Cropping2D層97 

5.3.7 Cropping3D層98 

5.3.8 UpSampling1D層99 

5.3.9 UpSampling2D層100 

5.3.10 UpSampling3D層101 

5.3.11 ZeroPadding1D層102 

5.3.12 ZeroPadding2D層103 

5.3. 13 ZeroPadding3D層104 

5.4池化層105 

5.4.1 MaxPooling1D層105 

5.4.2 MaxPooling2D層106 

5.4.3 MaxPooling3D層108 

5.4.4 AveragePooling1D層109 

5.4.5 AveragePooling2D層110 

5.4.6 AveragePooling3D層111 

5.4.7 GlobalMaxPooling1D層112 

5.4.8 GlobalAveragePooling1 D層113 

5.4.9 GlobalMaxPooling2D層113 

5.4.10 GlobalAveragePooling2D層114 

5.5局部連接層115 

5.5.1 LocallyConnected1D層115 

5.5.2 LocallyConnected2D層117 

5.6循環層120 

5.6.1 Recurrent層120 

5.6.2 SimpleRNN層124 

5.6. 3 GRU層126 

5.6.4 LSTM層127 

5.7嵌入層129 

5.8融合層131 

5.9激活層134 

5.9.1 LeakyReLU層134 

5.9.2 PReLU層134 

5.9.3 ELU層135 

5.9.4 ThresholdedReLU層136 

5.10規範層137 

5.11噪聲層139 

5.11.1 GaussianNoise層139 

5.11.2 GaussianDropout層139 

5.12包裝器Wrapper 140 

5.12.1 TimeDistributed層140 

5.12.2 Bidirectional層141 

5.13自定義層142 

第6章Keras數據預處理144 

6.1序列數據預處理145 

6.1.1序列數據填充145 

6.1.2提取序列跳字樣本148 

6.1.3生成序列抽樣概率表151 

6.2文本預處理153 

6.2.1分割句子獲得單詞序列153 

6.2.2 OneHot序列編碼器154 

6.2 .3單詞向量化155 

6.3圖像預處理159 

第7章Keras內置網絡配置167 

7.1模型性能評估模塊168 

7.1.1 Keras內置性能評估方法168 

7.1.2使用 Keras內置性能評估170 

7.1.3自定義性能評估函數171 

7.2損失函數171 

7.3優化器函數174 

7.3.1 Keras優化器使用174 

7.3.2 Keras內置優化器176 

7.4激活函數180 

7.4.1添加激活函數方法180 

7.4.2 Keras內置激活函數181 

7.4.3 Keras高級激活函數185 

7.5初始化參數189 

7.5.1使用初始化方法189 

7.5.2 Keras內置初始化方法190 

7.5.3自定義Keras初始化方法196 

7.6正則項196 

7.6 .1使用正則項197 

7.6.2 Keras內置正則項198 

7.6.3自定義Keras正則項198 

7.7參數約束項199 

7.7.1使用參數約束項199 

7.7.2 Keras內置參數約束項200 

第8章Keras實用技巧和可視化202 

8.1 Keras調試與排錯202 

8.1.1 Keras Callback回調函數與調試技巧202 

8.1.2備份和還原Keras模型215 

8.2 Keras內置Scikit-Learn接口包裝器217 

8.3 Keras內置可視化工具224 

第9章Keras實戰227 

9.1訓練一個準確率高於90%的Cifar-10預測模型227 

9.1.1數據預處理232 

9.1.2訓練233 

9.2在Keras模型中使用預 練詞向量判定文本類別239 

9.2.1數據下載和實驗方法240 

9.2.2數據預處理241 

9.2.3訓練245 

9.3用Keras實現DCGAN生成對抗網絡還原MNIST樣本247 

9.3.1 DCGAN網絡拓撲結構250 

9.3. 2訓練254