 |
-- 會員 / 註冊 --
|
 |
|
|
|
Keras深度學習 基于Python ( 簡體 字) |
| 作者：[韓]金兌映 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 52604
詢問書籍請說出此書號！【缺書】
NT售價： 495 元 |
| 出版日：3/1/2020 |
| 頁數：254 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷： | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787115532619 |
| 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： |
內容簡介：在眾多深度學習框架中，最容易上手的就是Keras，其簡單、可擴展、可重復使用的特征使得非深度學習者也能輕松駕馭。《Keras深度學習 基于Python》通過日常生活中常見的樂高模型塊，以簡潔易懂的語言介紹了使用Keras時必知的深度學習概念，提供了可實操的Python源代碼，講解了能夠直觀構建并理解深度學習模型的模塊示例。 |
目錄：第 1 章 走進Keras 1
1.1 關于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 創建項目目錄 .5
1.2.2 創建虛擬開發環境 .5
1.2.3 安裝基于Web 的Python 開發
環境Jupyter Notebook .6
1.2.4 安裝主要的包 .6
1.2.5 安裝深度學習庫 .7
1.2.6 測試安裝環境 .7
1.2.7 更換深度學習引擎 .10
1.2.8 重啟 .10
1.2.9 解決錯誤 .10
1.3 Windows 版Keras 安裝 .12
1.3.1 安裝Anaconda .12
1.3.2 創建項目目錄 .14
1.3.3 創建虛擬環境 .15
1.3.4 安裝基于Web 的Python 開發
環境Jupyter Notebook .16
1.3.5 安裝主要的包 .17
1.3.6 安裝深度學習庫 .17
1.3.7 測試安裝環境 .18
1.3.8 重啟 .21
1.3.9 解決錯誤 .21
第 2 章 深度學習概念 .25
2.1 數據集簡介 .25
2.1.1 訓練集、驗證集和測試集 .25
2.1.2 Q&A 29
2.2 關于訓練過程 .29
2.2.1 Batchsize 與訓練周期 30
2.2.2 Q&A 32
2.3 查看訓練過程 .33
2.3.1 調用history 函數 .33
2.3.2 啟動TensorBoard .36
2.3.3 編寫回調函數 .39
2.3.4 Q&A 43
2.4 訓練早停 .43
2.4.1 過擬合模型 .43
2.4.2 設置早停 .46
2.4.3 Q&A 51
2.5 模型評價 .52
2.5.1 分類 .53
2.5.2 檢測與搜索 .60
2.5.3 分離 .65
2.6 查看/ 保存/ 調用訓練模型 .68
2.6.1 查看簡易模型 .69
2.6.2 實操中的深度學習系統 .70
2.6.3 保存已訓練模型 .71
2.6.4 查看模型架構 .73
2.6.5 調用已訓練模型 .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 模仿人類神經系統的神經元 .76
3.1.2 連接輸入/ 輸出的Dense 層 .78
3.2 搭建多層感知神經網模型 .82
3.2.1 定義問題 .83
3.2.2 準備數據 .83
3.2.3 生成數據集 .84
3.2.4 搭建模型 .85
3.2.5 設置模型訓練過程 .86
3.2.6 訓練模型 .86
3.2.7 評價模型 .87
3.2.8 全部代碼 .87
3.3 卷積神經網絡分層 .89
3.3.1 過濾特征顯著的卷積層 .89
3.3.2 忽略細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 搭建卷積神經網絡模型 .101
3.4.1 定義問題 .101
3.4.2 準備數據 .102
3.4.3 生成數據集 .103
3.4.4 搭建模型 .104
3.4.5 設置模型訓練過程 .105
3.4.6 訓練模型 .105
3.4.7 評價模型 .106
3.4.8 使用模型 .107
3.4.9 全部代碼 .107
3.5 卷積神經網絡模型數據增強 .109
3.5.1 現實問題 .110
3.5.2 查看原有模型結果 . 111
3.5.3 數據增強 .113
3.5.4 查看改善后的模型結果 .116
3.6 循環神經網絡分層 .119
3.7 搭建循環神經網絡模型 .121
3.7.1 準備序列數據 .121
3.7.2 生成數據集 .122
3.7.3 訓練過程 .123
3.7.4 預測過程 .124
3.7.5 多層感知器神經網絡模型 .126
3.7.6 標準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構 .141
第4 章 示例應用 148
4.1 輸入– 預測數值模型示例 .148
4.1.1 準備數據集 .148
4.1.2 準備層 .149
4.1.3 模型準備 .149
4.1.4 全部代碼 .152
4.1.5 訓練結果比較 .156
4.2 輸入數值二元分類模型示例 .157
4.2.1 準備數據集 .157
4.2.2 準備層 .159
4.2.3 準備模型 .159
4.2.4 全部代碼 .161
4.2.5 訓練結果比較 .164
4.3 輸入數值多元分類問題模型示例 .165
4.3.1 準備數據集 .165
4.3.2 數據預處理 .167
4.3.3. 準備層 168
4.3.4 準備模型 .168
4.3.5 全部代碼 .170
4.3.6 訓練結果比較 .174
4.4 輸入視頻預測數值的模型示例 .174
4.4.1 準備數據集 .175
4.4.2 準備層 .176
4.4.3 準備模型 .177
4.4.4 全部代碼 .178
4.4.5 訓練結果比較 .184
4.5 輸入視頻預測二元分類問題的模型
示例 .185
4.5.1 準備數據集 .185
4.5.2 準備層 .187
4.5.3 準備模型 .187
4.5.4 全部代碼 .189
4.5.5 訓練結果比較 .198
4.6 輸入視頻預測多元分類問題的模型
示例 .199
4.6.1 準備數據集 .200
4.6.2 準備層 .201
4.6.3 準備模型 .201
4.6.4 全部代碼 .203
4.6.5 訓練結果比較 .212
4.7 輸入時間序列數據，預測數值的
模型示例 .213
4.7.1 準備數據集 .213
4.7.2 準備層 .215
4.7.3 準備模型 .215
4.7.4 全部代碼 .218
4.7.5 訓練結果比較 .228
4.7.6 Q&A 229
4.8 根據輸入句子（時間序列數值）預測
二元分類問題的模型示例 .230
4.8.1 準備數據集 .230
4.8.2 準備層 .231
4.8.3 準備模型 .232
4.8.4 全部代碼 .235
4.8.5 訓練結果比較 .241
4.9 輸入句子（時間序列數值）預測多元
分類問題的模型示例 .242
4.9.1 準備數據集 .243
4.9.2 準備層 .243
4.9.3 準備模型 .243
4.9.4 全部代碼 .246
4.9.5 訓練結果比較 .253 |
| 序： |
|
