Keras深度神經網絡

目    錄

第1章  深度學習和Keras簡介   1

1.1  深度學習簡介   1

1.1.1  揭開流行術語的神秘面紗   1

1.1.2  深度學習可求解當今世界中的哪些經典問題   4

1.1.3  深度學習模型分解   4

1.2  探索流行的深度學習框架   6

1.2.1  低級深度學習框架   7

1.2.2  高級深度學習框架   9

1.3  初步瞭解Keras框架   10

1.3.1  準備數據   11

1.3.2  定義模型結構   12

1.3.3  訓練模型和預測   12

1.4  本章小結   12

第2章  上手Keras   13

2.1  設置環境   13

2.1.1  選擇Python版本   13

2.1.2  在Windows、Linux或macOS中安裝Python   14

2.1.3  安裝Keras和TensorFlow後端   14

2.2  Keras深度學習入門   16

2.2.1  輸入數據   17

2.2.2  神經元   18

2.2.3  激活函數   19

2.2.4  sigmoid激活函數   19

2.2.5  模型   21

2.2.6  層   22

2.2.7  損失函數   24

2.2.8  優化器   26

2.2.9  評價指標   29

2.2.10  配置模型   30

2.2.11  訓練模型   30

2.2.12  模型評估   33

2.3  組合所有基本模塊   34

2.4  本章小結   39

第3章  基於深度神經網絡的監督學習：回歸   41

3.1  引言   41

3.2  問題表述   43

3.2.1  為什麼利用一種設計原則來表示問題表述很重要   43

3.2.2  設計SCQ   44

3.2.3  設計解決方案   45

3.3  探索數據   46

3.3.1  查看數據字典   48

3.3.2  查找數據類型   50

3.3.3  處理時間   51

3.3.4  預測銷售額   53

3.3.5  探索數值列   54

3.3.6  瞭解分類特徵   56

3.4  數據工程   60

3.5  定義模型的基準性能   64

3.6  設計深度神經網絡   65

3.6.1  測試模型性能   68

3.6.2  改進模型   68

3.6.3  增加神經元數量   71

3.6.4  繪制跨歷元的損失指標曲線   73

3.6.5  人工測試模型   74

3.7  本章小結   75

第4章  基於深度神經網絡的監督學習：分類   77

4.1  引言   77

4.2  問題表述   78

4.2.1  設計SCQ   78

4.2.2  設計解決方案   79

4.3  探索數據   80

4.4  數據工程   84

4.5  定義模型的準確率基準   89

4.6  設計分類深度神經網絡   90

4.7  重訪數據   94

4.7.1  標準化、歸一化和縮放數據   94

4.7.2  轉換輸入數據   95

4.8  基於改進數據的分類深度神經網絡   96

4.9  本章小結   101

第5章  深度神經網絡調優與部署   103

5.1  過擬合問題   103

5.2  什麼是正則化   104

5.2.1  L1正則化   105

5.2.2  L2正則化   106

5.2.3  丟棄正則化   106

5.3  超參數調優   107

5.3.1  深度學習中的超參數   108

5.3.2  超參數調優方法   111

5.4  模型部署   114

5.4.1  定製測試數據   114

5.4.2  將模型保存到內存   116

5.4.3  用新數據重新訓練模型   117

5.4.4  在線模型   117

5.4.5  以API形式交付模型   118

5.4.6  組件集成   118

5.5  本章小結   119

第6章  未來的學習方向   121

6.1  下一步需掌握的深度學習專業知識   121

6.1.1  CNN   122

6.1.2  RNN   125

6.1.3  CNN+RNN   127

6.2  為什麼深度學習需要GPU   128

6.3  深度學習的其他熱門領域   130

6.4  結束寄語   131