深度學(xué)習(xí)訓(xùn)練營(yíng)：21天實(shí)戰(zhàn)TensorFlow+Keras+scikit-learn

第 一篇 預(yù)測(cè)類項(xiàng)目實(shí)戰(zhàn)
第 1章 房?jī)r(jià)預(yù)測(cè)
1．1 數(shù)據(jù)準(zhǔn)備
1．1．1 環(huán)境準(zhǔn)備
1．1．2 預(yù)處理數(shù)據(jù)
1．1．3 數(shù)據(jù)可視化分析
1．2 基于scikit-learn實(shí)現(xiàn)房?jī)r(jià)預(yù)測(cè)
1．2．1 衡量R2值
1．2．2 模型性能對(duì)比
1．2．3 網(wǎng)格搜索模型
1．2．4 波士頓房?jī)r(jià)預(yù)測(cè)
1．2．5 北京房?jī)r(jià)預(yù)測(cè)
1．3 基于Keras實(shí)現(xiàn)房?jī)r(jià)預(yù)測(cè)
1．3．1 數(shù)據(jù)準(zhǔn)備
1．3．2 創(chuàng)建神經(jīng)網(wǎng)絡(luò)模型
1．3．3 訓(xùn)練網(wǎng)絡(luò)模型
1．3．4 可視化模型的結(jié)果
1．3．5 評(píng)估和預(yù)測(cè)模型
1．3．6 預(yù)測(cè)可視化顯示
1．4 小結(jié)
第 2章 泰坦尼克號(hào)生還預(yù)測(cè)
2．1 數(shù)據(jù)準(zhǔn)備
2．1．1 環(huán)境準(zhǔn)備
2．1．2 預(yù)處理數(shù)據(jù)
2．1．3 缺失值處理
2．1．4 數(shù)據(jù)清洗與分割
2．2 基于決策樹(shù)模型預(yù)測(cè)
2．2．1 訓(xùn)練
2．2．2 預(yù)測(cè)
2．3 基于邏輯回歸模型預(yù)測(cè)
2．3．1 訓(xùn)練
2．3．2 預(yù)測(cè)
2．4 基于梯度提升分類器模型預(yù)測(cè)
2．4．1 訓(xùn)練
2．4．2 預(yù)測(cè)
2．5 基于神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)
2．5．1 訓(xùn)練
2．5．2 預(yù)測(cè)
2．5．3 繪制曲線圖
2．6 基于Keras的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)
2．6．1 訓(xùn)練
2．6．2 預(yù)測(cè)
2．7 小結(jié)
第3章 共享單車使用情況預(yù)測(cè)
3．1 數(shù)據(jù)準(zhǔn)備
3．1．1 環(huán)境準(zhǔn)備
3．1．2 數(shù)據(jù)可視化
3．1．3 預(yù)處理數(shù)據(jù)
3．1．4 數(shù)據(jù)清洗與分割
3．2 基于TensorFlow的長(zhǎng)短期記憶網(wǎng)絡(luò)模型預(yù)測(cè)
3．2．1 處理序列
3．2．2 參數(shù)準(zhǔn)備
3．2．3 創(chuàng)建LSTM模型
3．2．4 訓(xùn)練模型
3．2．5 模型預(yù)覽與測(cè)試
3．2．6 對(duì)比預(yù)測(cè)值模型預(yù)覽
3．3 小結(jié)
第4章 福彩3D中獎(jiǎng)?lì)A(yù)測(cè)
4．1 數(shù)據(jù)準(zhǔn)備
4．1．1 環(huán)境準(zhǔn)備
4．1．2 數(shù)據(jù)準(zhǔn)備
4．1．3 數(shù)據(jù)預(yù)處理
4．1．4 數(shù)據(jù)可視化
4．2 基于神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)
4．2．1 決策樹(shù)
4．2．2 多層感知器
4．2．3 時(shí)間序列基礎(chǔ)
4．2．4 時(shí)間序列預(yù)測(cè)
4．2．5 根據(jù)開(kāi)獎(jiǎng)號(hào)碼單變量單個(gè)位數(shù)預(yù)測(cè)
4．3 小結(jié)
第5章 股票走勢(shì)預(yù)測(cè)
5．1 數(shù)據(jù)準(zhǔn)備
5．1．1 環(huán)境準(zhǔn)備
5．1．2 數(shù)據(jù)集說(shuō)明
5．2 百度股票預(yù)測(cè)
5．2．1 數(shù)據(jù)準(zhǔn)備
5．2．2 數(shù)據(jù)可視化
5．2．3 計(jì)算購(gòu)買的股票收益
5．2．4 訓(xùn)練和評(píng)估模型
5．2．5 股票預(yù)測(cè)
5．2．6 股票買入策略
5．3 微軟股票預(yù)測(cè)
5．3．1 數(shù)據(jù)準(zhǔn)備
5．3．2 數(shù)據(jù)可視化
5．3．3 計(jì)算購(gòu)買的股票收益
5．3．4 訓(xùn)練和評(píng)估模型
5．3．5 股票預(yù)測(cè)
5．3．6 股票買入戰(zhàn)略
5．4 小結(jié)
第6章 垃圾郵件預(yù)測(cè)
6．1 數(shù)據(jù)準(zhǔn)備
6．1．1 環(huán)境準(zhǔn)備
6．1．2 數(shù)據(jù)準(zhǔn)備
6．1．3 數(shù)據(jù)預(yù)處理
6．2 基于多項(xiàng)式樸素貝葉斯的郵件分類
6．2．1 數(shù)據(jù)處理
6．2．2 創(chuàng)建和訓(xùn)練模型
6．2．3 測(cè)試模型
6．3 基于TensorFlow的神經(jīng)網(wǎng)絡(luò)模型的郵件分類
6．3．1 構(gòu)建N-Gram向量化數(shù)據(jù)
6．3．2 創(chuàng)建模型
6．3．3 訓(xùn)練模型
6．3．4 可視化訓(xùn)練結(jié)果
6．4 小結(jié)
第7章 影評(píng)的情感分析
7．1 數(shù)據(jù)準(zhǔn)備
7．1．1 環(huán)境準(zhǔn)備
7．1．2 預(yù)處理數(shù)據(jù)
7．1．3 數(shù)據(jù)集編碼
7．1．4 數(shù)據(jù)集分割
7．2 基于TensorFlow的長(zhǎng)短期記憶網(wǎng)絡(luò)實(shí)現(xiàn)影評(píng)的情感分析
7．2．1 參數(shù)準(zhǔn)備
7．2．2 創(chuàng)建LSTM模型
7．2．3 訓(xùn)練模型
7．2．4 模型測(cè)試
7．3 基于Keras的長(zhǎng)短期記憶網(wǎng)絡(luò)實(shí)現(xiàn)影評(píng)的情感分析
7．3．1 數(shù)據(jù)預(yù)處理
7．3．2 創(chuàng)建模型
7．3．3 預(yù)覽模型架構(gòu)
7．3．4 訓(xùn)練模型
7．3．5 模型評(píng)估
7．4 小結(jié)
第8章 語(yǔ)言翻譯
8．1 數(shù)據(jù)準(zhǔn)備
8．1．1 環(huán)境準(zhǔn)備
8．1．2 數(shù)據(jù)準(zhǔn)備
8．1．3 數(shù)據(jù)預(yù)處理
8．2 基于Keras的長(zhǎng)短期記憶網(wǎng)絡(luò)實(shí)現(xiàn)語(yǔ)言翻譯
8．2．1 Tokenize文本數(shù)據(jù)
8．2．2 數(shù)據(jù)編碼和填充
8．2．3 創(chuàng)建模型
8．2．4 訓(xùn)練模型
8．2．5 測(cè)試模型
第二篇 識(shí)別類項(xiàng)目實(shí)戰(zhàn)
第9章 MNIST手寫數(shù)字識(shí)別
9．1 MNIST數(shù)據(jù)集
9．1．1 簡(jiǎn)介
9．1．2 數(shù)據(jù)下載
9．1．3 可視化數(shù)據(jù)
9．2 基于多層感知器的TensorFlow實(shí)現(xiàn)MNIST識(shí)別
9．2．1 參數(shù)準(zhǔn)備
9．2．2 創(chuàng)建模型
9．2．3 訓(xùn)練模型
9．2．4 模型預(yù)測(cè)
9．3 基于多層感知器的Keras實(shí)現(xiàn)MNIST識(shí)別
9．3．1 數(shù)據(jù)準(zhǔn)備
9．3．2 創(chuàng)建模型
9．3．3 訓(xùn)練模型
9．3．4 模型預(yù)測(cè)
9．3．5 單張圖像預(yù)測(cè)
9．4 基于卷積神經(jīng)網(wǎng)絡(luò)的TensorFlow實(shí)現(xiàn)MNIST識(shí)別
9．4．1 參數(shù)準(zhǔn)備
9．4．2 創(chuàng)建模型
9．4．3 訓(xùn)練模型
9．4．4 模型預(yù)測(cè)
9．5 基于卷積神經(jīng)網(wǎng)絡(luò)的Keras實(shí)現(xiàn)MNIST識(shí)別
9．5．1 數(shù)據(jù)準(zhǔn)備
9．5．2 創(chuàng)建模型
9．5．3 訓(xùn)練模型
9．5．4 模型預(yù)測(cè)
9．5．5 單張圖像預(yù)測(cè)
9．6 小結(jié)
第 10章 狗狗的品種識(shí)別
10．1 數(shù)據(jù)準(zhǔn)備
10．1．1 環(huán)境準(zhǔn)備
10．1．2 數(shù)據(jù)可視化
10．1．3 預(yù)處理數(shù)據(jù)
10．2 基于Keras的卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)
10．2．1 創(chuàng)建模型
10．2．2 訓(xùn)練模型
10．2．3 模型評(píng)估
10．3 基于Keras的InceptionV3預(yù)訓(xùn)練模型實(shí)現(xiàn)預(yù)測(cè)
10．3．1 模型函數(shù)聲明
10．3．2 預(yù)測(cè)單張圖片
10．4 基于TFHUB的Keras的遷移學(xué)習(xí)實(shí)現(xiàn)預(yù)測(cè)
10．4．1 數(shù)據(jù)集下載和準(zhǔn)備
10．4．2 預(yù)訓(xùn)練模型下載
10．4．3 創(chuàng)建模型
10．4．4 訓(xùn)練模型
10．4．5 測(cè)試模型
10．4．6 模型預(yù)測(cè)單張圖片
10．5 小結(jié)
第 11章 人臉識(shí)別
11．1 數(shù)據(jù)準(zhǔn)備
11．1．1 環(huán)境準(zhǔn)備
11．1．2 數(shù)據(jù)下載和分析
11．1．3 人臉圖像數(shù)據(jù)預(yù)覽
11．2 基于FaceNet的人臉對(duì)齊和驗(yàn)證
11．2．1 下載和對(duì)齊圖像
11．2．2 在LFW上驗(yàn)證
11．3 訓(xùn)練自己的人臉識(shí)別模型
11．3．1 圖像數(shù)據(jù)準(zhǔn)備和對(duì)齊
11．3．2 訓(xùn)練模型
11．3．3 驗(yàn)證模型
11．3．4 再訓(xùn)練模型
11．3．5 再評(píng)估模型
11．3．6 將模型CheckPoints文件轉(zhuǎn)換成pb文件
11．4 基于FaceRecognition的人臉識(shí)別
11．4．1 配置環(huán)境
11．4．2 人臉圖像檢測(cè)
11．4．3 實(shí)時(shí)人臉識(shí)別
11．5 小結(jié)
第 12章 人臉面部表情識(shí)別
12．1 基于Keras的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)人臉面部表情識(shí)別
12．1．1 環(huán)境準(zhǔn)備
12．1．2 數(shù)據(jù)準(zhǔn)備
12．1．3 數(shù)據(jù)集分割
12．1．4 數(shù)據(jù)集預(yù)處理
12．1．5 構(gòu)建CNN模型
12．1．6 圖片增強(qiáng)與訓(xùn)練模型
12．1．7 評(píng)估模型
12．1．8 保存與讀取模型
12．1．9 單張圖片測(cè)試模型
12．2 對(duì)視頻中的人臉面部做表情識(shí)別
12．2．1 讀取模型
12．2．2 模型參數(shù)定義
12．2．3 視頻的幀處理函數(shù)定義
12．2．4 識(shí)別與轉(zhuǎn)換視頻
12．3 實(shí)時(shí)人臉面部表情識(shí)別
12．3．1 模型參數(shù)定義
12．3．2 啟動(dòng)攝像頭和識(shí)別處理
12．4 小結(jié)
第 13章 人體姿態(tài)識(shí)別
13．1 基于TensorFlow實(shí)現(xiàn)人體姿態(tài)識(shí)別
13．1．1 環(huán)境準(zhǔn)備
13．1．2 下載與安裝
13．1．3 單張圖像識(shí)別
13．1．4 視頻內(nèi)容里的人的姿態(tài)識(shí)別
13．1．5 實(shí)時(shí)攝像識(shí)別
13．2 基于Keras實(shí)現(xiàn)人體姿態(tài)識(shí)別
13．2．1 環(huán)境準(zhǔn)備
13．2．2 下載倉(cāng)庫(kù)
13．2．3 單張圖像識(shí)別
13．2．4 視頻內(nèi)容里的人的姿態(tài)識(shí)別
13．2．5 實(shí)時(shí)攝像識(shí)別
13．3 小結(jié)
第 14章 皮膚癌分類
14．1 數(shù)據(jù)準(zhǔn)備
14．1．1 環(huán)境準(zhǔn)備
14．1．2 數(shù)據(jù)下載
14．1．3 數(shù)據(jù)可視化
14．2 基于Keras的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)分類
14．2．1 數(shù)據(jù)預(yù)處理
14．2．2 創(chuàng)建CNN模型
14．2．3 編譯模型
14．2．4 訓(xùn)練模型
14．2．5 評(píng)估模型和圖像測(cè)試
14．3 基于TensorFlow的遷移學(xué)習(xí)實(shí)現(xiàn)分類
14．3．1 數(shù)據(jù)準(zhǔn)備
14．3．2 訓(xùn)練模型
14．3．3 驗(yàn)證模型
14．3．4 Tensorboard可視化
14．4 小結(jié)
第 15章 對(duì)象檢測(cè)
15．1 對(duì)象檢測(cè)的應(yīng)用領(lǐng)域
15．1．1 無(wú)人機(jī)應(yīng)用領(lǐng)域
15．1．2 自動(dòng)駕駛汽車應(yīng)用領(lǐng)域
15．1．3 無(wú)人超市應(yīng)用領(lǐng)域
15．2 原理分析
15．2．1 R-CNN的介紹與分析
15．2．2 Faster R-CNN的介紹與分析
15．2．3 Mask R-CNN的介紹與分析
15．3 基于Mask R-CNN Inception COCO的圖片對(duì)象檢測(cè)
15．3．1 環(huán)境準(zhǔn)備
15．3．2 導(dǎo)入Packages
15．3．3 下載 Mask R-CNN Inception 2018 預(yù)訓(xùn)練模型
15．3．4 加載模型到內(nèi)存中
15．3．5 加載類別映射
15．3．6 定義函數(shù)將圖片轉(zhuǎn)為Numpy數(shù)組
15．3．7 定義圖像對(duì)象檢測(cè)函數(shù)
15．3．8 檢測(cè)圖像中的對(duì)象
15．3．9 效果預(yù)覽
15．4 基于Faster R-CNN Inception COCO的視頻實(shí)時(shí)對(duì)象檢測(cè)
15．4．1 環(huán)境準(zhǔn)備
15．4．2 導(dǎo)入Packages
15．4．3 下載Faster R-CNN Inception 2018預(yù)訓(xùn)練模型
15．4．4 加載模型到內(nèi)存中
15．4．5 加載類別映射
15．4．6 定義視頻中的圖像對(duì)象檢測(cè)函數(shù)
15．4．7 定義視頻中的圖像處理函數(shù)
15．4．8 視頻中的圖像對(duì)象檢測(cè)
15．4．9 效果預(yù)覽
15．5 基于 SSD MobileNet COCO的實(shí)時(shí)對(duì)象檢測(cè)
15．5．1 環(huán)境準(zhǔn)備
15．5．2 導(dǎo)入Packages
15．5．3 下載 SSD MobileNet 2018 預(yù)訓(xùn)練模型
15．5．4 加載模型到內(nèi)存中
15．5．5 加載類別映射
15．5．6 開(kāi)啟實(shí)時(shí)對(duì)象檢測(cè)
15．5．7 效果預(yù)覽
15．6 小結(jié)
第三篇 生成類項(xiàng)目實(shí)戰(zhàn)
第 16章 看圖寫話
16．1 數(shù)據(jù)準(zhǔn)備
16．1．1 環(huán)境準(zhǔn)備
16．1．2 數(shù)據(jù)下載
16．1．3 數(shù)據(jù)預(yù)處理
16．2 基于TensorFlow的Show and Tell實(shí)現(xiàn)看圖寫話
16．2．1 數(shù)據(jù)統(tǒng)計(jì)
16．2．2 構(gòu)建TFRecords格式數(shù)據(jù)
16．2．3 訓(xùn)練模型
16．2．4 評(píng)估模型
16．2．5 測(cè)試模型
16．3 小結(jié)
第 17章 生成電視劇劇本
17．1 數(shù)據(jù)準(zhǔn)備
17．1．1 環(huán)境準(zhǔn)備
17．1．2 數(shù)據(jù)預(yù)處理
17．1．3 數(shù)據(jù)可視化分析
17．2 基于TensorFlow的循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)生成電視劇劇本
17．2．1 創(chuàng)建檢查表
17．2．2 數(shù)據(jù)token化預(yù)處理
17．2．3 創(chuàng)建Tensor占位符和學(xué)習(xí)率
17．2．4 初始化RNN Cell
17．2．5 創(chuàng)建Embedding
17．2．6 創(chuàng)建神經(jīng)網(wǎng)絡(luò)
17．2．7 創(chuàng)建超參數(shù)和優(yōu)化器
17．2．8 訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型
17．2．9 生成電視劇劇本
17．3 基于Textgenrnn來(lái)實(shí)現(xiàn)生成電視劇劇本
17．3．1 訓(xùn)練模型
17．3．2 生成劇本文本
17．4 小結(jié)
第 18章 風(fēng)格遷移
18．1 基于TensorFlow實(shí)現(xiàn)神經(jīng)風(fēng)格遷移
18．1．1 環(huán)境準(zhǔn)備
18．1．2 圖像預(yù)覽
18．1．3 處理圖像
18．1．4 模型獲取
18．1．5 損失函數(shù)計(jì)算
18．1．6 訓(xùn)練模型與圖像生成
18．2 基于Keras實(shí)現(xiàn)神經(jīng)風(fēng)格遷移
18．2．1 圖像預(yù)覽
18．2．2 圖片處理
18．2．3 獲取模型
18．2．4 損失函數(shù)計(jì)算
18．2．5 迭代與生成風(fēng)格圖像
18．3 小結(jié)
第 19章 生成人臉
19．1 基于TensorFlow的GAN實(shí)現(xiàn)MNIST數(shù)字圖像生成
19．1．1 環(huán)境準(zhǔn)備
19．1．2 MNIST數(shù)字圖像數(shù)據(jù)準(zhǔn)備
19．1．3 隨機(jī)查看25張圖像
19．1．4 構(gòu)建模型輸入
19．1．5 構(gòu)建辨別器
19．1．6 構(gòu)建生成器
19．1．7 計(jì)算模型損失
19．1．8 構(gòu)建優(yōu)化器
19．1．9 構(gòu)建訓(xùn)練模型時(shí)的圖像輸出
19．1．10 構(gòu)建訓(xùn)練模型函數(shù)
19．1．11 訓(xùn)練MNIST數(shù)據(jù)集的GAN模型
19．2 基于TensorFlow的GAN實(shí)現(xiàn)LFW人臉圖像生成
19．2．1 人臉圖像數(shù)據(jù)準(zhǔn)備
19．2．2 訓(xùn)練LFW數(shù)據(jù)集的GAN模型
19．3 小結(jié)
第 20章 圖像超分辨率
20．1 效果預(yù)覽與數(shù)據(jù)準(zhǔn)備
20．1．1 效果預(yù)覽
20．1．2 環(huán)境準(zhǔn)備
20．1．3 數(shù)據(jù)準(zhǔn)備
20．2 基于TensorFlow的DCGAN實(shí)現(xiàn)超分辨率
20．2．1 下載srez代碼庫(kù)
20．2．2 訓(xùn)練模型將模糊圖像生成清晰圖像
20．2．3 輸出效果預(yù)覽
20．2．4 生成效果圖視頻
20．2．5 圖片放大高清化
20．3 srez庫(kù)的代碼分析
20．3．1 主入口函數(shù)代碼分析
20．3．2 創(chuàng)建模型代碼分析
20．3．3 訓(xùn)練模型代碼分析
20．4 小結(jié)
第 21章 移花接木
21．1 基本信息
21．1．1 三種模型效果預(yù)覽
21．1．2 環(huán)境準(zhǔn)備
21．1．3 圖片數(shù)據(jù)集準(zhǔn)備
21．1．4 CycleGAN網(wǎng)絡(luò)模型架構(gòu)
21．2 基于CycleGAN將蘋果生成橘子
21．2．1 下載代碼庫(kù)
21．2．2 圖片數(shù)據(jù)處理
21．2．3 訓(xùn)練模型
21．2．4 導(dǎo)出模型
21．2．5 測(cè)試圖片
21．3 基于CycleGAN將馬生成斑馬
21．3．1 圖片數(shù)據(jù)處理
21．3．2 訓(xùn)練模型
21．3．3 導(dǎo)出模型
21．3．4 測(cè)試圖片
21．4 男性和女性的人臉面貌互換
21．4．1 環(huán)境準(zhǔn)備
21．4．2 計(jì)算和生成模型
21．4．3 代碼分析
21．5 小結(jié)