部分初識

1初識深度學習/2

1.1Python的深度學習/2

1.2軟件環境和基本要求/3

1.2.1Python和SciPy/3

1.2.2機器學習/3

1.2.3深度學習/4

1.3閱讀本書的收獲/4

1.4本書說明/4

1.5本書中的代碼/5

2深度學習生態圈/6

2.1CNTK/6

2.1.1安裝CNTK/7

2.1.2CNTK的簡單例子/8

2.2TensorFlow/8

部分初識

1初識深度學習/2

1.1Python的深度學習/2

1.2軟件環境和基本要求/3

1.2.1Python和SciPy/3

1.2.2機器學習/3

1.2.3深度學習/4

1.3閱讀本書的收獲/4

1.4本書說明/4

1.5本書中的代碼/5

2深度學習生態圈/6

2.1CNTK/6

2.1.1安裝CNTK/7

2.1.2CNTK的簡單例子/8

2.2TensorFlow/8

2.2.1TensorFlow介紹/8

2.2.2安裝TensorFlow/9

2.2.3TensorFlow的簡單例子/9

2.3Keras/10

2.3.1Keras簡介/11

2.3.2Keras安裝/11

2.3.3配置Keras的后端/11

2.3.4使用Keras構建深度學習模型/12

2.4云端GPUs計算/13

第二部分多層感知器

3個多層感知器實例：印第安人糖尿病診斷/16

3.1概述/16

3.2PimaIndians數據集/17

3.3導入數據/18

3.4定義模型/19

3.5編譯模型/20

3.6訓練模型/21

3.7評估模型/21

3.8匯總代碼/22

4多層感知器速成/24

4.1多層感知器/24

4.2神經元/25

4.2.1神經元權重/25

4.2.2激活函數/26

4.3神經網絡/27

4.3.1輸入層(可視層)/28

4.3.2隱藏層/28

4.3.3輸出層/28

4.4訓練神經網絡/29

4.4.1準備數據/29

4.4.2隨機梯度下降算法/30

4.4.3權重更新/30

4.4.4預測新數據/31

5評估深度學習模型/33

5.1深度學習模型和評估/33

5.2自動評估/34

5.3手動評估/36

5.3.1手動分離數據集并評估/36

5.3.2k折交叉驗證/37

6在Keras中使用Scikit-Learn/40

6.1使用交叉驗證評估模型/41

6.2深度學習模型調參/42

7多分類實例：鳶尾花分類/49

7.1問題分析/49

7.2導入數據/50

7.3定義神經網絡模型/50

7.4評估模型/52

7.5匯總代碼/52

8回歸問題實例：波士頓房價預測/54

8.1問題描述/54

8.2構建基準模型/55

8.3數據預處理/57

8.4調參隱藏層和神經元/58

9二分類實例：銀行營銷分類/61

9.1問題描述/61

9.2數據導入與預處理/62

9.3構建基準模型/64

9.4數據格式化/66

9.5調參網絡拓撲圖/66

10多層感知器進階/68

10.1JSON序列化模型/68

10.2YAML序列化模型/74

10.3模型增量更新/78

10.4神經網絡的檢查點/81

10.4.1檢查點跟蹤神經網絡模型/82

10.4.2自動保存模型/84

10.4.3從檢查點導入模型/86

10.5模型訓練過程可視化/87

11Dropout與學習率衰減92

11.1神經網絡中的Dropout/92

11.2在Keras中使用Dropout/93

11.2.1輸入層使用Dropout/94

11.2.2在隱藏層使用Dropout/95

11.2.3Dropout的使用技巧/97

11.3學習率衰減/97

11.3.1學習率線性衰減/98

11.3.2學習率指數衰減/100

11.3.3學習率衰減的使用技巧/103

第三部分卷積神經網絡

12卷積神經網絡速成/106

12.1卷積層/108

12.1.1濾波器/108

12.1.2特征圖/109

12.2池化層/109

12.3全連接層/109

12.4卷積神經網絡案例/110

13手寫數字識別/112

13.1問題描述/112

13.2導入數據/113

13.3多層感知器模型/114

13.4簡單卷積神經網絡/117

13.5復雜卷積神經網絡/120

14Keras中的圖像增強/124

14.1Keras中的圖像增強API/124

14.2增強前的圖像/125

14.3特征標準化/126

14.4ZCA白化/128

14.5隨機旋轉、移動、剪切和反轉圖像/129

14.6保存增強后的圖像/132

15圖像識別實例：CIFAR-10分類/134

15.1問題描述/134

15.2導入數據/135

15.3簡單卷積神經網絡/136

15.4大型卷積神經網絡/140

15.5改進模型/145

16情感分析實例：IMDB影評情感分析/152

16.1問題描述/152

16.2導入數據/153

16.3詞嵌入/154

16.4多層感知器模型/155

16.5卷積神經網絡/157

第四部分循環神經網絡

17循環神經網絡速成/162

17.1處理序列問題的神經網絡/163

17.2循環神經網絡/164

17.3長短期記憶網絡/165

18多層感知器的時間序列預測：國際旅行人數預測/167

18.1問題描述/167

18.2導入數據/168

18.3多層感知器/169

18.4使用窗口方法的多層感知器/172

19LSTM時間序列問題預測：國際旅行人數預測177

19.1LSTM處理回歸問題/177

19.2使用窗口方法的LSTM回歸/181

19.3使用時間步長的LSTM回歸/185

19.4LSTM的批次間記憶/188

19.5堆疊LSTM的批次間記憶/192

20序列分類：IMDB影評分類/197

20.1問題描述/197

20.2簡單LSTM/197

20.3使用Dropout改進過擬合/199

20.4混合使用LSTM和CNN/201

21多變量時間序列預測：PM2.5預報/203

21.1問題描述/203

21.2數據導入與準備/204

21.3構建數據集/206

21.4簡單LSTM/207

22文本生成實例：愛麗絲夢游仙境/211

22.1問題描述/211

22.2導入數據/212

22.3分詞與向量化/212

22.4詞云/213

22.5簡單LSTM/215

22.6生成文本/219

附錄A深度學習的基本概念/223

A.1神經網絡基礎/223

A.2卷積神經網絡/227

A.3循環神經網絡/229

總結

以上是生活随笔為你收集整理的python keras_深度学习：基于Keras的Python实践的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。