Keras深度神經(jīng)網(wǎng)絡

目    錄

第1章  深度學習和Keras簡介   1

1.1  深度學習簡介   1

1.1.1  揭開流行術語的神秘面紗   1

1.1.2  深度學習可求解當今世界中的哪些經(jīng)典問題   4

1.1.3  深度學習模型分解   4

1.2  探索流行的深度學習框架   6

1.2.1  低級深度學習框架   7

1.2.2  高級深度學習框架   9

1.3  初步了解Keras框架   10

1.3.1  準備數(shù)據(jù)   11

1.3.2  定義模型結構   12

1.3.3  訓練模型和預測   12

1.4  本章小結   12

第2章  上手Keras   13

2.1  設置環(huán)境   13

2.1.1  選擇Python版本   13

2.1.2  在Windows、Linux或macOS中安裝Python   14

2.1.3  安裝Keras和TensorFlow后端   14

2.2  Keras深度學習入門   16

2.2.1  輸入數(shù)據(jù)   17

2.2.2  神經(jīng)元   18

2.2.3  激活函數(shù)   19

2.2.4  sigmoid激活函數(shù)   19

2.2.5  模型   21

2.2.6  層   22

2.2.7  損失函數(shù)   24

2.2.8  優(yōu)化器   26

2.2.9  評價指標   29

2.2.10  配置模型   30

2.2.11  訓練模型   30

2.2.12  模型評估   33

2.3  組合所有基本模塊   34

2.4  本章小結   39

第3章  基于深度神經(jīng)網(wǎng)絡的監(jiān)督學習：回歸   41

3.1  引言   41

3.2  問題表述   43

3.2.1  為什么利用一種設計原則來表示問題表述很重要   43

3.2.2  設計SCQ   44

3.2.3  設計解決方案   45

3.3  探索數(shù)據(jù)   46

3.3.1  查看數(shù)據(jù)字典   48

3.3.2  查找數(shù)據(jù)類型   50

3.3.3  處理時間   51

3.3.4  預測銷售額   53

3.3.5  探索數(shù)值列   54

3.3.6  了解分類特征   56

3.4  數(shù)據(jù)工程   60

3.5  定義模型的基準性能   64

3.6  設計深度神經(jīng)網(wǎng)絡   65

3.6.1  測試模型性能   68

3.6.2  改進模型   68

3.6.3  增加神經(jīng)元數(shù)量   71

3.6.4  繪制跨歷元的損失指標曲線   73

3.6.5  人工測試模型   74

3.7  本章小結   75

第4章  基于深度神經(jīng)網(wǎng)絡的監(jiān)督學習：分類   77

4.1  引言   77

4.2  問題表述   78

4.2.1  設計SCQ   78

4.2.2  設計解決方案   79

4.3  探索數(shù)據(jù)   80

4.4  數(shù)據(jù)工程   84

4.5  定義模型的準確率基準   89

4.6  設計分類深度神經(jīng)網(wǎng)絡   90

4.7  重訪數(shù)據(jù)   94

4.7.1  標準化、歸一化和縮放數(shù)據(jù)   94

4.7.2  轉換輸入數(shù)據(jù)   95

4.8  基于改進數(shù)據(jù)的分類深度神經(jīng)網(wǎng)絡   96

4.9  本章小結   101

第5章  深度神經(jīng)網(wǎng)絡調(diào)優(yōu)與部署   103

5.1  過擬合問題   103

5.2  什么是正則化   104

5.2.1  L1正則化   105

5.2.2  L2正則化   106

5.2.3  丟棄正則化   106

5.3  超參數(shù)調(diào)優(yōu)   107

5.3.1  深度學習中的超參數(shù)   108

5.3.2  超參數(shù)調(diào)優(yōu)方法   111

5.4  模型部署   114

5.4.1  定制測試數(shù)據(jù)   114

5.4.2  將模型保存到內(nèi)存   116

5.4.3  用新數(shù)據(jù)重新訓練模型   117

5.4.4  在線模型   117

5.4.5  以API形式交付模型   118

5.4.6  組件集成   118

5.5  本章小結   119

第6章  未來的學習方向   121

6.1  下一步需掌握的深度學習專業(yè)知識   121

6.1.1  CNN   122

6.1.2  RNN   125

6.1.3  CNN+RNN   127

6.2  為什么深度學習需要GPU   128

6.3  深度學習的其他熱門領域   130

6.4  結束寄語   131