✍ Scribed by 魏贞原
No coin nor oath required. For personal study only.
《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。
扉页
版权页
序言
前言
目录
第一部分 初识
1
初识深度学习
1.1 Python 的深度学习
1.2 软件环境和基本要求
1.2.1 Python 和SciPy
1.2.2 机器学习
1.2.3 深度学习
1.3 阅读本书的收获
1.4 本书说明
1.5 本书中的代码
2 深度学习生态圈
2.1 CNTK
2.1.1 安装CNTK
2.1.2 CNTK 的简单例子
2.2 TensorFlow
2.2.1 TensorFlow 介绍
2.2.2 安装TensorFlow
2.2.3 TensorFlow 的简单例子
2.3 Keras
2.3.1 Keras 简介
2.3.2 Keras 安装
2.3.3 配置Keras 的后端
2.3.4 使用Keras 构建深度学习模型
2.4 云端GPUs 计算
第二部分
多层感知器
3 第一个多层感知器实例：印第安人糖尿病诊断
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 多层感知器速成
4.1 多层感知器
4.2 神经元
4.2.1 神经元权重
4.2.2 激活函数
4.3 神经网络
4.3.1 输入层（可视层）
4.3.2 隐藏层
4.3.3 输出层
4.4 训练神经网络
4.4.1 准备数据
4.4.2 随机梯度下降算法
4.4.3 权重更新
4.4.4 预测新数据
5 评估深度学习模型
5.1 深度学习模型和评估
5.2 自动评估
5.3 手动评估
5.3.1 手动分离数据集并评估
5.3.2 k 折交叉验证
6 在Keras 中使用Scikit-Learn
6.1 使用交叉验证评估模型
6.2 深度学习模型调参
7 多分类实例：鸢尾花分类
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 回归问题实例：波士顿房价预测
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 二分类实例：银行营销分类
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 多层感知器进阶
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
10.4.1 检查点跟踪神经网络模型
10.4.2 自动保存最优模型
10.4.3 从检查点导入模型
10.5 模型训练过程可视化
11 Dropout 与学习率衰减
11.1 神经网络中的Dropout
11.2 在Keras 中使用Dropout
11.2.1 输入层使用Dropout
11.2.2 在隐藏层使用Dropout
11.2.3 Dropout 的使用技巧
11.3 学习率衰减
11.3.1 学习率线性衰减
11.3.2 学习率指数衰减
11.3.3 学习率衰减的使用技巧
第三部分
卷积神经网络
12 卷积神经网络速成
12.1 卷积层
12.1.1 滤波器
12.1.2 特征图
12.2 池化层
12.3 全连接层
12.4 卷积神经网络案例
13 手写数字识别
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 Keras 中的图像增强
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
图像识别实例：CIFAR-10分类
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 情感分析实例：IMDB 影评情感分析
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
循环神经网络速成
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 多层感知器的时间序列预测：国际旅行人数预测
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 LSTM 时间序列问题预测：国际旅行人数预测
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 序列分类：IMDB 影评分类
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 多变量时间序列预测：PM2.5 预报
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 文本生成实例：爱丽丝梦游仙境
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
A.1 神经网络基础
A.2 卷积神经网络
A.3 循环神经网络
📜 SIMILAR VOLUMES
<p>《Keras快速上手：基于Python的深度学习实战》系统地讲解了深度学习的基本知识、建模过程和应用，并以深度学习在推荐系统、图像识别、自然语言处理、文字生成和时间序列中的具体应用为案例，详细介绍了从工具准备、数据获取和处理到针对问题进行建模的整个过程和实践经验，是一本非常好的深度学习入门书。</p> <p>不同于许多讲解深度学习的书籍，《Keras快速上手：基于Python的深度学习实战》以实用为导向，选择了 Keras 作为编程框架，强调简单、快速地设计模型，而不去纠缠底层代码，使得内容相当易于理解，读者可以在 CNTK、 TensorFlow 和 Theano 的后台之间随意切换
<p>读者对象：</p> <p>1.人工智能领域的技术工程师，尤其是从事图像识别和NLP的技术工程师；</p> <p>2.专门研究OCR的专业人士或院校师生等。</p> <p>这是一部融合了企业界先进工程实践经验和学术界前沿技术和思想的OCR著作。</p> <p>本书由阿里巴巴本地生活研究院算法团队技术专家领衔，从组件、算法、实现、工程应用等维度系统讲解基于深度学习的OCR技术的原理和落地。书中一步步剖析了算法背后的数学原理，提供大量简洁的代码实现，帮助读者从零基础开始构建OCR算法。</p> <p>全书共10章：</p> <p>第1章从宏观角度介绍了ORC技术的发展历程、概念和产
<p>这是一本基于最新的Python和PyTorch版本的深度学习著作，旨在帮助读者低门槛进入深度学习领域，轻松速掌握深度学习的理论知识和实践方法，快速实现从入门到进阶的转变。</p> <p>本书是多位人工智能技术专家和大数据技术专家多年工作经验的结晶，从工具使用、技术原理、算法设计、案例实现等多个维度对深度学习进行了系统的讲解。内容选择上，广泛涉猎、重点突出、注重实战；内容安排上，实例切入、由浅入深、循序渐进；表达形式上，深度抽象、化繁为简、用图说话。</p> <p>本书共16章，分为三部分：</p> <p>第一部分（第1~4章） PyTorch基础</p> <p>首先讲解了机器学习
本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。