 |
-- 會員 / 註冊 --
|
 |
|
|
|
深度學習：Keras快速開發入門 ( 簡體 字) |
| 作者：樂毅,嚴超 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 47088
詢問書籍請說出此書號！【缺書】
【不接受訂購】 |
| 出版日：6/1/2017 |
| 頁數：276 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
【不接受訂購】 | | ISBN：9787121318689 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：1950年，著名的圖靈測試誕生，按照艾倫·麥席森·圖靈（Alan Mathison Turing）的定義：“如果一臺機器能夠與人類展開對話，而不能被辨別出其機器身份，那么稱這臺機器具有智能。”圍繞著圖靈測試模型產生了一系列的爭論，最終1956年夏天，在美國達特茅斯大學召開的會議上確立了“人工智能（Artificial Intelligence）”這一術語，并被認為是人工智能誕生的標志。時至今日，人工智能的發展經歷了多次起伏，從20世紀50年代人工智能概念的興起到20世紀60年代末到20世紀70年代的專家系統，再到20世紀80年代人工神經網絡的飛速發展，20世紀90年代淺層機器學習的出現。2006年加拿大多倫多大學教授、機器學習領域泰斗Geoffrey Hinton和他的學生Ruslan Salakhutdinov在頂尖學術刊物Science上發表了一篇文章，開啟了深度學習在學術界和工業界的浪潮。雖然人們對目前人工智能技術仍然存在許多爭論，到底什么是真正的人工智能？像人一樣能夠獨立思考的機器人是否存在？但這些疑問阻擋不了人類對人工智能的探索和向往。
2017年5月，Google Deepmind公司對去年發布的人工智能程序阿爾法圍棋（AlphaGo）進一步優化和訓練，并發起對戰世界圍棋冠軍、職業九段選手柯潔的挑戰，以3：0的總比分獲勝，擊破了代表人類智慧的最后堡壘。Deepmind公司的圍棋程序（AlphaGo）與之前的人工智能程序不同，它能夠從大量輸入的棋譜數據自我學習，而不像專家系統需要人類的智能去干預和調整算法，這有力地證明了人工智能已經迎來了一個更高的發展階段，即深度學習技術。
與此同時，國內外眾多學者、從業者或業余愛好者都紛紛加入到深度學習（Deep Learning）的研究和工作中來。然而，很多讀者朋友對復雜的數學公式和理論感到困惑，以至于常常無從下手，從TensoFlow難以理解的設計和表述方法到Caffe冗長的神經網絡模型定義，很難清晰、完整和快速地掌握深度學習技術。本書選擇Keras這一深度學習框架向讀者介紹深度學習技術和應用，力求使用簡潔、高效和豐富的實例幫助讀者快速掌握這門技術，這得益于Keras良好的模塊化、極簡的設計、易擴展性和快速原型迭代等特點。通過學習本書的內容，讀者能夠快速搭建滿足產品需求的神經網絡模型，從而加快產品研發周期。
本書共包括9章，每章的主要內容如下：
第1章“Keras概述”介紹了Keras框架的誕生歷史、特點、優勢以及與其他框架的對比。
第2章“Keras的安裝與配置”為讀者介紹了如何安裝與配置Keras，為進一步的Keras開發做準備。
第3章“Keras快速上手”為讀者展現了Keras開發低門檻的特點，有一定Python基礎的開發人員都能非常簡單地完成他的第一個Keras模型訓練。
第4章“Keras模型的定義”詳細介紹了Keras的兩種類型模型——Sequential模型和函數式模型，以及它們的參數定義和接口，并說明了使用中應該注意的地方。
第5章“Keras網絡結構”深入Keras的內部結構，詳細介紹了Keras的網絡結構及其層的定義，并對每層的參數進行說明和分析。同時，讀者可以了解到深度學習通用的網絡層的知識。
第6章“Keras數據預處理”講解了Keras提供的常用數據預處理工具方法，以及對于特定數據預處理使用場景的解析。
第7章“Keras內置網絡配置”介紹了Keras提供的內置網絡配置，幫助讀者完善模型優化體系的同時，熟悉Keras內置網絡配置方法。
第8章“Keras實用技巧和可視化”幫助讀者完善了Keras實用技巧與可視化方法，打通Keras與下層框架（Theano、TensorFlow）的使用阻隔。
第9章“Keras實戰”完成了三個經典的Keras實戰練習，增強讀者對完整Keras訓練過程的理解。
本書的內容由我與朋友嚴超共同完成，在寫作過程中我們經常交流、探討，互相指正對方的錯誤，從而達到共同進步，在此對嚴超表示感謝。同時還要感謝電子工業出版社的孫學瑛老師對本書提出了很多非常好的建議，幫助我們順利出版此書。
深度學習技術發展迅速，各種知識和應用工具變化很快，GitHub上Keras項目也在不斷更新和修正。筆者才疏學淺，理解有限，加之編寫時間也較倉促，書中難免有錯謬之處，敬請廣大讀者朋友批評指正，不勝感激。
樂 毅
2017年6月 |
內容簡介：本書首先介紹了深度學習相關的理論和主流的深度學習框架，對比了不同深度學習框架的優缺點，以Keras這一具有高度模塊化，極簡式的高層深度學習框架為切入點，從Keras的安裝、配置和編譯等基本環境入手，詳細介紹了Keras的模型、網絡結構、數據預處理方法、參數配置以及調試技巧和可視化工具。幫助讀者快速掌握一款深度學習框架，從而解決工作和學習當中神經網絡模型的使用問題。同時，本書還介紹了如何用Keras快速構建深度學習原型并著手實戰。最后通過Kaggle的知識競賽實例向讀者展示Keras作為深度學習開發工具的強大之處，從而幫助讀者迅速獲得深度學習開發經驗。 本書是一本實踐性很強的深度學習工具書，適合希望快速學習和使用Keras深度學習框架的工程師、學者和從業者。特別適合立志從事深度學習和AI相關的行業，并且對于希望用Keras開發實際項目的工程技術人員，是非常實用的參考手冊和工具書。 |
目錄：第1章 Keras概述 1
1.1 Keras簡介 1
1.1.1 Keras 2 1
1.1.2 Keras功能構成 4
1.2 Keras特點 6
1.3 主要深度學習框架 8
1.3.1 Caffe 8
1.3.2 Torch 10
1.3.3 Keras 12
1.3.4 MXNet 12
1.3.5 TensorFlow 13
1.3.5 CNTK 14
1.3.6 Theano 14
第2章 Keras的安裝與配置 16
2.1 Windows環境下安裝Keras 16
2.1.1 硬件配置 16
2.1.2 Windows版本 18
2.1.3 Microsoft Visual Studio版本 18
2.1.4 Python環境 18
2.1.5 CUDA 18
2.1.6 加速庫CuDNN 19
2.1.7 Keras框架的安裝 19
2.2 Linux環境下的安裝 20
2.2.1 硬件配置 20
2.2.2 Linux版本 21
2.2.3 Ubuntu環境的設置 22
2.2.4 CUDA開發環境 22
2.2.5 加速庫cuDNN 23
2.2.6 Keras框架安裝 24
第3章 Keras快速上手 25
3.1 基本概念 25
3.2 初識Sequential模型 29
3.3 一個MNIST手寫數字實例 30
3.3.1 MNIST數據準備 30
3.3.2 建立模型 31
3.3.3 訓練模型 32
第4章 Keras模型的定義 36
4.1 Keras模型 36
4.2 Sequential模型 38
4.2.1 Sequential模型接口 38
4.2.2 Sequential模型的數據輸入 48
4.2.3 模型編譯 49
4.2.4 模型訓練 50
4.3 函數式模型 51
4.3.1 全連接網絡 52
4.3.2 函數模型接口 53
4.3.3 多輸入和多輸出模型 63
4.3.4 共享層模型 67
第5章 Keras網絡結構 71
5.1 Keras層對象方法 71
5.2 常用層 72
5.2.1 Dense層 72
5.2.2 Activation層 74
5.2.3 Dropout層 75
5.2.4 Flatten層 75
5.2.5 Reshape層 76
5.2.6 Permute層 77
5.2.7 RepeatVector層 78
5.2.8 Lambda層 79
5.2.9 ActivityRegularizer層 80
5.2.10 Masking層 81
5.3 卷積層 82
5.3.1 Conv1D層 82
5.3.2 Conv2D層 84
5.3.3 SeparableConv2D層 87
5.3.4 Conv2DTranspose層 91
5.3.5 Conv3D層 94
5.3.6 Cropping1D層 97
5.3.6 Cropping2D層 97
5.3.7 Cropping3D層 98
5.3.8 UpSampling1D層 99
5.3.9 UpSampling2D層 100
5.3.10 UpSampling3D層 101
5.3.11 ZeroPadding1D層 102
5.3.12 ZeroPadding2D層 103
5.3.13 ZeroPadding3D層 104
5.4 池化層 105
5.4.1 MaxPooling1D層 105
5.4.2 MaxPooling2D層 106
5.4.3 MaxPooling3D層 108
5.4.4 AveragePooling1D層 109
5.4.5 AveragePooling2D層 110
5.4.6 AveragePooling3D層 111
5.4.7 GlobalMaxPooling1D層 112
5.4.8 GlobalAveragePooling1D層 113
5.4.9 GlobalMaxPooling2D層 113
5.4.10 GlobalAveragePooling2D層 114
5.5 局部連接層 115
5.5.1 LocallyConnected1D層 115
5.5.2 LocallyConnected2D層 117
5.6 循環層 120
5.6.1 Recurrent層 120
5.6.2 SimpleRNN層 124
5.6.3 GRU層 126
5.6.4 LSTM層 127
5.7 嵌入層 129
5.8 融合層 131
5.9 激活層 134
5.9.1 LeakyReLU層 134
5.9.2 PReLU層 134
5.9.3 ELU層 135
5.9.4 ThresholdedReLU層 136
5.10 規范層 137
5.11 噪聲層 139
5.11.1 GaussianNoise層 139
5.11.2 GaussianDropout層 139
5.12 包裝器Wrapper 140
5.12.1 TimeDistributed層 140
5.12.2 Bidirectional層 141
5.13 自定義層 142
第6章 Keras數據預處理 144
6.1 序列數據預處理 145
6.1.1 序列數據填充 145
6.1.2 提取序列跳字樣本 148
6.1.3 生成序列抽樣概率表 151
6.2 文本預處理 153
6.2.1 分割句子獲得單詞序列 153
6.2.2 OneHot序列編碼器 154
6.2.3 單詞向量化 155
6.3 圖像預處理 159
第7章 Keras內置網絡配置 167
7.1 模型性能評估模塊 168
7.1.1 Keras內置性能評估方法 168
7.1.2 使用Keras內置性能評估 170
7.1.3 自定義性能評估函數 171
7.2 損失函數 171
7.3 優化器函數 174
7.3.1 Keras優化器使用 174
7.3.2 Keras內置優化器 176
7.4 激活函數 180
7.4.1 添加激活函數方法 180
7.4.2 Keras內置激活函數 181
7.4.3 Keras高級激活函數 185
7.5 初始化參數 189
7.5.1 使用初始化方法 189
7.5.2 Keras內置初始化方法 190
7.5.3 自定義Keras初始化方法 196
7.6 正則項 196
7.6.1 使用正則項 197
7.6.2 Keras內置正則項 198
7.6.3 自定義Keras正則項 198
7.7 參數約束項 199
7.7.1 使用參數約束項 199
7.7.2 Keras內置參數約束項 200
第8章 Keras實用技巧和可視化 202
8.1 Keras調試與排錯 202
8.1.1 Keras Callback回調函數與調試技巧 202
8.1.2 備份和還原Keras模型 215
8.2 Keras內置Scikit-Learn接口包裝器 217
8.3 Keras內置可視化工具 224
第9章 Keras實戰 227
9.1 訓練一個準確率高于90%的Cifar-10預測模型 227
9.1.1 數據預處理 232
9.1.2 訓練 233
9.2 在Keras模型中使用預訓練詞向量判定文本類別 239
9.2.1 數據下載和實驗方法 240
9.2.2 數據預處理 241
9.2.3 訓練 245
9.3 用Keras實現DCGAN生成對抗網絡還原MNIST樣本 247
9.3.1 DCGAN網絡拓撲結構 250
9.3.2 訓練 254 |
| 序： |
|
