科技 类型
可以朗读 语音朗读
185千字 字数
2021-03-01 发行日期
展开全部

主编推荐语

帮你掌握Keras框架，提升深度学习技能。

内容简介

Keras是一个用Python编写的开源人工神经网络库，可以作为TensorFlow、CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。本书从初学者的角度出发，为读者构建一个完整的Keras技术体系。

本书共分为9章，主要内容包括深度学习框架Keras的背景、搭建学习环境、深度学习的理论基础、卷积层与MNIST实战、多层感知机与MNIST实战、TensorFlow Datasets和TensorBoard、ResNet及其兄弟ResNext，最后是两个项目实战案例——词嵌入与情感分类。

本书既适合Keras深度学习初学者、深度学习算法技术人员阅读，也适合作为高等院校与培训机构人工智能相关专业的师生参考。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 第1章 深度学习与应用框架
  • 1.1 何为深度学习
  • 1.1.1 何为深度学习
  • 1.1.2 与传统的“浅层学习”的区别
  • 1.2 开汽车或者制造汽车
  • 1.2.1 第一步：数据的准备
  • 1.2.2 第二步：数据的处理
  • 1.2.3 第三步：模型的设计
  • 1.2.4 第四步：模型的训练
  • 1.2.5 第五步：模型的结果和展示
  • 1.3 深度学习的流程、应用场景和模型分类
  • 1.3.1 深度学习的流程与应用场景
  • 1.3.2 深度学习的模型分类
  • 1.4 主流深度学习框架对比
  • 1.4.1 深度学习框架的选择
  • 1.4.2 Keras与TensorFlow
  • 1.5 本章小结
  • 第2章 Hello TensorFlow & Keras
  • 2.1 TensorFlow的环境安装
  • 2.1.1 Anaconda的下载与安装
  • 2.1.2 Python编译器PyCharm的安装
  • 2.1.3 使用Python计算softmax函数
  • 2.2 搭建环境2：安装TensorFlow 2.2
  • 2.2.1 安装TensorFlow 2.2的CPU版本
  • 2.2.2 安装TensorFlow 2.2的GPU版本
  • 2.3 TensorFlow & Keras
  • 2.3.1 模型！模型！模型！还是模型
  • 2.3.2 使用Keras API实现鸢尾花分类的例子（顺序模型）
  • 2.3.3 使用Keras函数式编程实现鸢尾花分类的例子（重点）
  • 2.3.4 使用保存的Keras模式对模型进行复用
  • 2.3.5 使用TensorFlow标准化编译对iris模型进行拟合
  • 2.3.6 多输入单一输出TensorFlow编译方法（选学）
  • 2.3.7 多输入多输出TensorFlow编译方法（选学）
  • 2.4 全连接层详解
  • 2.4.1 全连接层的定义与实现
  • 2.4.2 使用Keras实现全连接层
  • 2.4.3 打印显示已设计的模型结构和参数
  • 2.5 懒人的福音
  • 2.5.1 ResNet50模型和参数的载入
  • 2.5.2 使用ResNet50作为特征提取层建立模型
  • 2.6 本章小结
  • 第3章 深度学习的理论基础
  • 3.1 BP神经网络简介
  • 3.2 BP神经网络两个基础算法详解
  • 3.2.1 最小二乘法详解
  • 3.2.2 道士下山的故事——梯度下降算法
  • 3.3 反馈神经网络反向传播算法
  • 3.3.1 深度学习基础
  • 3.3.2 链式求导法则
  • 3.3.3 反馈神经网络原理与公式推导
  • 3.3.4 反馈神经网络原理的激活函数
  • 3.3.5 反馈神经网络原理的Python实现
  • 3.4 本章小结
  • 第4章 卷积层与MNIST实战
  • 4.1 卷积运算基本概念
  • 4.1.1 卷积运算
  • 4.1.2 TensorFlow中卷积函数的实现
  • 4.1.3 池化运算
  • 4.1.4 softmax激活函数
  • 4.1.5 卷积神经网络原理
  • 4.2 编程实战：MNIST手写体识别
  • 4.2.1 MNIST数据集
  • 4.2.2 MNIST数据集特征和标签
  • 4.2.3 TensorFlow 2.2编程实战：MNIST数据集
  • 4.2.4 使用自定义的卷积层实现MNIST识别
  • 4.3 本章小结
  • 第5章 多层感知机与MNIST实战
  • 5.1 一个简单的多层感知机
  • 5.1.1 多层感知机的原理与实现
  • 5.1.2 多层感知机的激活函数
  • 5.2 消除过拟合
  • 5.2.1 正则化与dropout概述
  • 5.2.2 使用防过拟合处理的多层感知机
  • 5.2.3 Keras创建多层感知机的细节问题
  • 5.3 本章小结
  • 第6章 TensorFlow Datasets和TensorBoard
  • 6.1 TensorFlow Datasets简介
  • 6.1.1 Datasets数据集的安装
  • 6.1.2 Datasets数据集的使用
  • 6.2 Datasets数据集的使用
  • 6.2.1 FashionMNIST数据集下载与展示
  • 6.2.2 模型的建立与训练
  • 6.3 使用Keras对FashionMNIST数据集进行处理
  • 6.3.1 获取数据集
  • 6.3.2 数据集的调整
  • 6.3.3 使用Python类函数建立模型
  • 6.3.4 模型的查看和参数打印
  • 6.3.5 模型的训练和评估
  • 6.4 使用TensorBoard可视化训练过程
  • 6.4.1 TensorBoard的文件夹设置
  • 6.4.2 TensorBoard的显式调用
  • 6.4.3 TensorBoard的使用
  • 6.5 本章小结
  • 第7章 从冠军开始：ResNet
  • 7.1 ResNet的基本原理与程序设计基础
  • 7.1.1 ResNet诞生的背景
  • 7.1.2 模块工具的TensorFlow实现——不要重复造轮子
  • 7.1.3 TensorFlow高级模块layers的用法
  • 7.2 ResNet实战：CIFAR-100数据集分类
  • 7.2.1 CIFAR-100数据集简介
  • 7.2.2 ResNet残差模块的实现
  • 7.2.3 ResNet网络的实现
  • 7.2.4 使用ResNet对CIFAR-100数据集进行分类
  • 7.3 ResNet的兄弟
  • 7.3.1 ResNeXt诞生的背景
  • 7.3.2 ResNeXt残差模块的实现
  • 7.3.3 ResNeXt网络的实现
  • 7.3.4 ResNeXt和ResNet的比较
  • 7.4 本章小结
  • 第8章 Keras实战
  • 8.1 文本数据处理
  • 8.1.1 数据集和数据清洗
  • 8.1.2 停用词的使用
  • 8.1.3 词向量训练模型word2vec的使用
  • 8.1.4 文本主题的提取：基于TF-IDF（选学）
  • 8.1.5 文本主题的提取：基于TextRank（选学）
  • 8.2 更多的词嵌入方法
  • 8.2.1 fastText的原理与基础算法
  • 8.2.2 fastText训练以及与TensorFlow 2.X的协同使用
  • 8.2.3 使用其他预训练参数做TensorFlow词嵌入矩阵（中文）
  • 8.3 针对文本的卷积神经网络模型
  • 8.3.1 字符（非单词）文本的处理
  • 8.3.2 卷积神经网络文本分类模型的实现——conv1d（一维卷积）
  • 8.4 针对文本的卷积神经网络模型
  • 8.4.1 单词的文本处理
  • 8.4.2 卷积神经网络文本分类模型的实现——conv2d（二维卷积）
  • 8.5 使用卷积对文本分类的补充内容
  • 8.5.1 中文的文本处理
  • 8.5.2 其他细节
  • 8.6 本章小结
  • 第9章 Keras实战
  • 9.1 GRU与情感分类
  • 9.1.1 使用GRU的情感分类
  • 9.1.2 什么是GRU
  • 9.1.3 TensorFlow中的GRU层
  • 9.1.4 单向不行就双向
  • 9.2 站在巨人肩膀上的情感分类
  • 9.2.1 使用TensorFlow自带的模型做文本分类
  • 9.2.2 使用自定义的DPCNN做模型分类
  • 9.3 本章小结
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

清华大学出版社

清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。