Keras深度學習：基于Python

第 1 章　走進Keras 1
1．1　關(guān)于Keras ．1
1．1．1　為什么是Keras 1
1．1．2　Keras 的主要特征 2
1．1．3　Keras 的基本概念 2
1．2　Mac 版Keras 安裝 ．4
1．2．1　創(chuàng)建項目目錄 ．5
1．2．2　創(chuàng)建虛擬開發(fā)環(huán)境 ．5
1．2．3　安裝基于Web 的Python 開發(fā)
環(huán)境Jupyter　Notebook ．6
1．2．4　安裝主要的包 ．6
1．2．5　安裝深度學習庫 ．7
1．2．6　測試安裝環(huán)境 ．7
1．2．7　更換深度學習引擎 ．10
1．2．8　重啟 ．10
1．2．9　解決錯誤 ．10
1．3　Windows 版Keras 安裝 ．12
1．3．1　安裝Anaconda ．12
1．3．2　創(chuàng)建項目目錄 ．14
1．3．3　創(chuàng)建虛擬環(huán)境 ．15
1．3．4　安裝基于Web 的Python 開發(fā)
環(huán)境Jupyter　Notebook ．16
1．3．5　安裝主要的包 ．17
1．3．6　安裝深度學習庫 ．17
1．3．7　測試安裝環(huán)境 ．18
1．3．8　重啟 ．21
1．3．9　解決錯誤 ．21
第　2 章 深度學習概念 ．25
2．1　數(shù)據(jù)集簡介 ．25
2．1．1　訓練集、驗證集和測試集 ．25
2．1．2　Q&A 29
2．2　關(guān)于訓練過程 ．29
2．2．1　Batchsize 與訓練周期 30
2．2．2　Q&A 32
2．3　查看訓練過程 ．33
2．3．1　調(diào)用history 函數(shù) ．33
2．3．2　啟動TensorBoard ．36
2．3．3　編寫回調(diào)函數(shù) ．39
2．3．4　Q&A 43
2．4　訓練早停 ．43
2．4．1　過擬合模型 ．43
2．4．2　設(shè)置早停 ．46
2．4．3　Q&A 51
2．5　模型評價 ．52
2．5．1　分類 ．53
2．5．2　檢測與搜索 ．60
2．5．3　分離 ．65
2．6　查看/ 保存/ 調(diào)用訓練模型 ．68
2．6．1　查看簡易模型 ．69
2．6．2　實操中的深度學習系統(tǒng) ．70
2．6．3　保存已訓練模型 ．71
2．6．4　查看模型架構(gòu) ．73
2．6．5　調(diào)用已訓練模型 ．73
2．6．6　Q&A 74
第3　章 分層概念 76
3．1　多層感知層介紹 ．76
3．1．1　模仿人類神經(jīng)系統(tǒng)的神經(jīng)元 ．76
3．1．2　連接輸入/ 輸出的Dense 層 ．78
3．2　搭建多層感知神經(jīng)網(wǎng)模型 ．82
3．2．1　定義問題 ．83
3．2．2　準備數(shù)據(jù) ．83
3．2．3　生成數(shù)據(jù)集 ．84
3．2．4　搭建模型 ．85
3．2．5　設(shè)置模型訓練過程 ．86
3．2．6　訓練模型 ．86
3．2．7　評價模型 ．87
3．2．8　全部代碼 ．87
3．3　卷積神經(jīng)網(wǎng)絡(luò)分層 ．89
3．3．1　過濾特征顯著的卷積層 ．89
3．3．2　忽略細微變化的最大池化層 ．95
3．3．3　將視頻一維化的Flatten 層 ．96
3．3．4　嘗試搭建模型 ．97
3．4　搭建卷積神經(jīng)網(wǎng)絡(luò)模型 ．101
3．4．1　定義問題 ．101
3．4．2　準備數(shù)據(jù) ．102
3．4．3　生成數(shù)據(jù)集 ．103
3．4．4　搭建模型 ．104
3．4．5　設(shè)置模型訓練過程 ．105
3．4．6　訓練模型 ．105
3．4．7　評價模型 ．106
3．4．8　使用模型 ．107
3．4．9　全部代碼 ．107
3．5　卷積神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)增強 ．109
3．5．1　現(xiàn)實問題 ．110
3．5．2　查看原有模型結(jié)果 ．　111
3．5．3　數(shù)據(jù)增強 ．113
3．5．4　查看改善后的模型結(jié)果 ．116
3．6　循環(huán)神經(jīng)網(wǎng)絡(luò)分層 ．119
3．7　搭建循環(huán)神經(jīng)網(wǎng)絡(luò)模型 ．121
3．7．1　準備序列數(shù)據(jù) ．121
3．7．2　生成數(shù)據(jù)集 ．122
3．7．3　訓練過程 ．123
3．7．4　預測過程 ．124
3．7．5　多層感知器神經(jīng)網(wǎng)絡(luò)模型 ．126
3．7．6　標準LSTM 模型 131
3．7．7　Stateful LSTM 模型 ．136
3．7．8　多種輸入屬性的模型結(jié)構(gòu) ．141
第4　章 示例應(yīng)用 148
4．1　輸入– 預測數(shù)值模型示例 ．148
4．1．1　準備數(shù)據(jù)集 ．148
4．1．2　準備層 ．149
4．1．3　模型準備 ．149
4．1．4　全部代碼 ．152
4．1．5　訓練結(jié)果比較 ．156
4．2　輸入數(shù)值二元分類模型示例 ．157
4．2．1　準備數(shù)據(jù)集 ．157
4．2．2　準備層 ．159
4．2．3　準備模型 ．159
4．2．4　全部代碼 ．161
4．2．5　訓練結(jié)果比較 ．164
4．3　輸入數(shù)值多元分類問題模型示例 ．165
4．3．1　準備數(shù)據(jù)集 ．165
4．3．2　數(shù)據(jù)預處理 ．167
4．3．3．　準備層 168
4．3．4　準備模型 ．168
4．3．5　全部代碼 ．170
4．3．6　訓練結(jié)果比較 ．174
4．4　輸入視頻預測數(shù)值的模型示例 ．174
4．4．1　準備數(shù)據(jù)集 ．175
4．4．2　準備層 ．176
4．4．3　準備模型 ．177
4．4．4　全部代碼 ．178
4．4．5　訓練結(jié)果比較 ．184
4．5　輸入視頻預測二元分類問題的模型
示例?。?85
4．5．1　準備數(shù)據(jù)集 ．185
4．5．2　準備層 ．187
4．5．3　準備模型 ．187
4．5．4　全部代碼 ．189
4．5．5　訓練結(jié)果比較 ．198
4．6　輸入視頻預測多元分類問題的模型
示例　．199
4．6．1　準備數(shù)據(jù)集 ．200
4．6．2　準備層 ．201
4．6．3　準備模型 ．201
4．6．4　全部代碼 ．203
4．6．5　訓練結(jié)果比較 ．212
4．7　輸入時間序列數(shù)據(jù)，預測數(shù)值的
模型示例?。?13
4．7．1　準備數(shù)據(jù)集 ．213
4．7．2　準備層 ．215
4．7．3　準備模型 ．215
4．7．4　全部代碼 ．218
4．7．5　訓練結(jié)果比較 ．228
4．7．6　Q&A 229
4．8　根據(jù)輸入句子（時間序列數(shù)值）預測
二元分類問題的模型示例?。?30
4．8．1　準備數(shù)據(jù)集 ．230
4．8．2　準備層 ．231
4．8．3　準備模型 ．232
4．8．4　全部代碼 ．235
4．8．5　訓練結(jié)果比較 ．241
4．9　輸入句子（時間序列數(shù)值）預測多元
分類問題的模型示例?。?42
4．9．1　準備數(shù)據(jù)集 ．243
4．9．2　準備層 ．243
4．9．3　準備模型 ．243
4．9．4　全部代碼 ．246
4．9．5　訓練結(jié)果比較?。?53