Keras深度學(xué)習(xí)：基于Python

第 1 章　走進(jìn)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(xiàng)目目錄 ．5
1．2．2　創(chuàng)建虛擬開(kāi)發(fā)環(huán)境 ．5
1．2．3　安裝基于Web 的Python 開(kāi)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(xué)習(xí)庫(kù) ．7
1．2．6　測(cè)試安裝環(huán)境 ．7
1．2．7　更換深度學(xué)習(xí)引擎 ．10
1．2．8　重啟 ．10
1．2．9　解決錯(cuò)誤 ．10
1．3　Windows 版Keras 安裝 ．12
1．3．1　安裝Anaconda ．12
1．3．2　創(chuàng)建項(xiàng)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(kāi)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(xué)習(xí)庫(kù) ．17
1．3．7　測(cè)試安裝環(huán)境 ．18
1．3．8　重啟 ．21
1．3．9　解決錯(cuò)誤 ．21
第　2 章 深度學(xué)習(xí)概念 ．25
2．1　數(shù)據(jù)集簡(jiǎn)介 ．25
2．1．1　訓(xùn)練集、驗(yàn)證集和測(cè)試集 ．25
2．1．2　Q&A 29
2．2　關(guān)于訓(xùn)練過(guò)程 ．29
2．2．1　Batchsize 與訓(xùn)練周期 30
2．2．2　Q&A 32
2．3　查看訓(xùn)練過(guò)程 ．33
2．3．1　調(diào)用history 函數(shù) ．33
2．3．2　啟動(dòng)TensorBoard ．36
2．3．3　編寫(xiě)回調(diào)函數(shù) ．39
2．3．4　Q&A 43
2．4　訓(xùn)練早停 ．43
2．4．1　過(guò)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(píng)價(jià) ．52
2．5．1　分類(lèi) ．53
2．5．2　檢測(cè)與搜索 ．60
2．5．3　分離 ．65
2．6　查看/ 保存/ 調(diào)用訓(xùn)練模型 ．68
2．6．1　查看簡(jiǎn)易模型 ．69
2．6．2　實(shí)操中的深度學(xué)習(xí)系統(tǒng) ．70
2．6．3　保存已訓(xùn)練模型 ．71
2．6．4　查看模型架構(gòu) ．73
2．6．5　調(diào)用已訓(xùn)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(lèi)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(wèn)題 ．83
3．2．2　準(zhǔn)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(xùn)練過(guò)程 ．86
3．2．6　訓(xùn)練模型 ．86
3．2．7　評(píng)價(jià)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(guò)濾特征顯著的卷積層 ．89
3．3．2　忽略細(xì)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(wèn)題 ．101
3．4．2　準(zhǔn)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(xùn)練過(guò)程 ．105
3．4．6　訓(xùn)練模型 ．105
3．4．7　評(píng)價(jià)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(qiáng) ．109
3．5．1　現(xiàn)實(shí)問(wèn)題 ．110
3．5．2　查看原有模型結(jié)果 ．　111
3．5．3　數(shù)據(jù)增強(qiáng) ．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(zhǔn)備序列數(shù)據(jù) ．121
3．7．2　生成數(shù)據(jù)集 ．122
3．7．3　訓(xùn)練過(guò)程 ．123
3．7．4　預(yù)測(cè)過(guò)程 ．124
3．7．5　多層感知器神經(jīng)網(wǎng)絡(luò)模型 ．126
3．7．6　標(biāo)準(zhǔn)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(yù)測(cè)數(shù)值模型示例 ．148
4．1．1　準(zhǔn)備數(shù)據(jù)集 ．148
4．1．2　準(zhǔn)備層 ．149
4．1．3　模型準(zhǔn)備 ．149
4．1．4　全部代碼 ．152
4．1．5　訓(xùn)練結(jié)果比較 ．156
4．2　輸入數(shù)值二元分類(lèi)模型示例 ．157
4．2．1　準(zhǔn)備數(shù)據(jù)集 ．157
4．2．2　準(zhǔn)備層 ．159
4．2．3　準(zhǔn)備模型 ．159
4．2．4　全部代碼 ．161
4．2．5　訓(xùn)練結(jié)果比較 ．164
4．3　輸入數(shù)值多元分類(lèi)問(wèn)題模型示例 ．165
4．3．1　準(zhǔn)備數(shù)據(jù)集 ．165
4．3．2　數(shù)據(jù)預(yù)處理 ．167
4．3．3．　準(zhǔn)備層 168
4．3．4　準(zhǔn)備模型 ．168
4．3．5　全部代碼 ．170
4．3．6　訓(xùn)練結(jié)果比較 ．174
4．4　輸入視頻預(yù)測(cè)數(shù)值的模型示例 ．174
4．4．1　準(zhǔn)備數(shù)據(jù)集 ．175
4．4．2　準(zhǔn)備層 ．176
4．4．3　準(zhǔn)備模型 ．177
4．4．4　全部代碼 ．178
4．4．5　訓(xùn)練結(jié)果比較 ．184
4．5　輸入視頻預(yù)測(cè)二元分類(lèi)問(wèn)題的模型
示例?。?85
4．5．1　準(zhǔn)備數(shù)據(jù)集 ．185
4．5．2　準(zhǔn)備層 ．187
4．5．3　準(zhǔn)備模型 ．187
4．5．4　全部代碼 ．189
4．5．5　訓(xùn)練結(jié)果比較 ．198
4．6　輸入視頻預(yù)測(cè)多元分類(lèi)問(wèn)題的模型
示例　．199
4．6．1　準(zhǔn)備數(shù)據(jù)集 ．200
4．6．2　準(zhǔn)備層 ．201
4．6．3　準(zhǔn)備模型 ．201
4．6．4　全部代碼 ．203
4．6．5　訓(xùn)練結(jié)果比較 ．212
4．7　輸入時(shí)間序列數(shù)據(jù)，預(yù)測(cè)數(shù)值的
模型示例　．213
4．7．1　準(zhǔn)備數(shù)據(jù)集 ．213
4．7．2　準(zhǔn)備層 ．215
4．7．3　準(zhǔn)備模型 ．215
4．7．4　全部代碼 ．218
4．7．5　訓(xùn)練結(jié)果比較 ．228
4．7．6　Q&A 229
4．8　根據(jù)輸入句子（時(shí)間序列數(shù)值）預(yù)測(cè)
二元分類(lèi)問(wèn)題的模型示例?。?30
4．8．1　準(zhǔn)備數(shù)據(jù)集 ．230
4．8．2　準(zhǔn)備層 ．231
4．8．3　準(zhǔn)備模型 ．232
4．8．4　全部代碼 ．235
4．8．5　訓(xùn)練結(jié)果比較 ．241
4．9　輸入句子（時(shí)間序列數(shù)值）預(yù)測(cè)多元
分類(lèi)問(wèn)題的模型示例　．242
4．9．1　準(zhǔn)備數(shù)據(jù)集 ．243
4．9．2　準(zhǔn)備層 ．243
4．9．3　準(zhǔn)備模型 ．243
4．9．4　全部代碼 ．246
4．9．5　訓(xùn)練結(jié)果比較?。?53