python keras_深度学习：基于Keras的Python实践
部分初識
1初識深度學(xué)習(xí)/2
1.1Python的深度學(xué)習(xí)/2
1.2軟件環(huán)境和基本要求/3
1.2.1Python和SciPy/3
1.2.2機(jī)器學(xué)習(xí)/3
1.2.3深度學(xué)習(xí)/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(xué)習(xí)生態(tài)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(xué)習(xí)/2
1.1Python的深度學(xué)習(xí)/2
1.2軟件環(huán)境和基本要求/3
1.2.1Python和SciPy/3
1.2.2機(jī)器學(xué)習(xí)/3
1.2.3深度學(xué)習(xí)/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(xué)習(xí)生態(tài)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(gòu)建深度學(xué)習(xí)模型/12
2.4云端GPUs計(jì)算/13
第二部分多層感知器
3個多層感知器實(shí)例：印第安人糖尿病診斷/16
3.1概述/16
3.2PimaIndians數(shù)據(jù)集/17
3.3導(dǎo)入數(shù)據(jù)/18
3.4定義模型/19
3.5編譯模型/20
3.6訓(xùn)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(jīng)元/25
4.2.1神經(jīng)元權(quán)重/25
4.2.2激活函數(shù)/26
4.3神經(jīng)網(wǎng)絡(luò)/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(xùn)練神經(jīng)網(wǎng)絡(luò)/29
4.4.1準(zhǔn)備數(shù)據(jù)/29
4.4.2隨機(jī)梯度下降算法/30
4.4.3權(quán)重更新/30
4.4.4預(yù)測新數(shù)據(jù)/31
5評估深度學(xué)習(xí)模型/33
5.1深度學(xué)習(xí)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(shù)據(jù)集并評估/36
5.3.2k折交叉驗(yàn)證/37
6在Keras中使用Scikit-Learn/40
6.1使用交叉驗(yàn)證評估模型/41
6.2深度學(xué)習(xí)模型調(diào)參/42
7多分類實(shí)例：鳶尾花分類/49
7.1問題分析/49
7.2導(dǎo)入數(shù)據(jù)/50
7.3定義神經(jīng)網(wǎng)絡(luò)模型/50
7.4評估模型/52
7.5匯總代碼/52
8回歸問題實(shí)例：波士頓房價(jià)預(yù)測/54
8.1問題描述/54
8.2構(gòu)建基準(zhǔn)模型/55
8.3數(shù)據(jù)預(yù)處理/57
8.4調(diào)參隱藏層和神經(jīng)元/58
9二分類實(shí)例：銀行營銷分類/61
9.1問題描述/61
9.2數(shù)據(jù)導(dǎo)入與預(yù)處理/62
9.3構(gòu)建基準(zhǔn)模型/64
9.4數(shù)據(jù)格式化/66
9.5調(diào)參網(wǎng)絡(luò)拓?fù)鋱D/66
10多層感知器進(jìn)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(jīng)網(wǎng)絡(luò)的檢查點(diǎn)/81
10.4.1檢查點(diǎn)跟蹤神經(jīng)網(wǎng)絡(luò)模型/82
10.4.2自動保存模型/84
10.4.3從檢查點(diǎn)導(dǎo)入模型/86
10.5模型訓(xùn)練過程可視化/87
11Dropout與學(xué)習(xí)率衰減92
11.1神經(jīng)網(wǎng)絡(luò)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(xué)習(xí)率衰減/97
11.3.1學(xué)習(xí)率線性衰減/98
11.3.2學(xué)習(xí)率指數(shù)衰減/100
11.3.3學(xué)習(xí)率衰減的使用技巧/103
第三部分卷積神經(jīng)網(wǎng)絡(luò)
12卷積神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)案例/110
13手寫數(shù)字識別/112
13.1問題描述/112
13.2導(dǎo)入數(shù)據(jù)/113
13.3多層感知器模型/114
13.4簡單卷積神經(jīng)網(wǎng)絡(luò)/117
13.5復(fù)雜卷積神經(jīng)網(wǎng)絡(luò)/120
14Keras中的圖像增強(qiáng)/124
14.1Keras中的圖像增強(qiáng)API/124
14.2增強(qiáng)前的圖像/125
14.3特征標(biāo)準(zhǔn)化/126
14.4ZCA白化/128
14.5隨機(jī)旋轉(zhuǎn)、移動、剪切和反轉(zhuǎn)圖像/129
14.6保存增強(qiáng)后的圖像/132
15圖像識別實(shí)例：CIFAR-10分類/134
15.1問題描述/134
15.2導(dǎo)入數(shù)據(jù)/135
15.3簡單卷積神經(jīng)網(wǎng)絡(luò)/136
15.4大型卷積神經(jīng)網(wǎng)絡(luò)/140
15.5改進(jìn)模型/145
16情感分析實(shí)例：IMDB影評情感分析/152
16.1問題描述/152
16.2導(dǎo)入數(shù)據(jù)/153
16.3詞嵌入/154
16.4多層感知器模型/155
16.5卷積神經(jīng)網(wǎng)絡(luò)/157
第四部分循環(huán)神經(jīng)網(wǎng)絡(luò)
17循環(huán)神經(jīng)網(wǎng)絡(luò)速成/162
17.1處理序列問題的神經(jīng)網(wǎng)絡(luò)/163
17.2循環(huán)神經(jīng)網(wǎng)絡(luò)/164
17.3長短期記憶網(wǎng)絡(luò)/165
18多層感知器的時(shí)間序列預(yù)測：國際旅行人數(shù)預(yù)測/167
18.1問題描述/167
18.2導(dǎo)入數(shù)據(jù)/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(shí)間序列問題預(yù)測：國際旅行人數(shù)預(yù)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(shí)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(jìn)過擬合/199
20.4混合使用LSTM和CNN/201
21多變量時(shí)間序列預(yù)測：PM2.5預(yù)報(bào)/203
21.1問題描述/203
21.2數(shù)據(jù)導(dǎo)入與準(zhǔn)備/204
21.3構(gòu)建數(shù)據(jù)集/206
21.4簡單LSTM/207
22文本生成實(shí)例：愛麗絲夢游仙境/211
22.1問題描述/211
22.2導(dǎo)入數(shù)據(jù)/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(xué)習(xí)的基本概念/223
A.1神經(jīng)網(wǎng)絡(luò)基礎(chǔ)/223
A.2卷積神經(jīng)網(wǎng)絡(luò)/227
A.3循環(huán)神經(jīng)網(wǎng)絡(luò)/229
總結(jié)
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(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： mysql导入greenplum_gre
- 下一篇： python垃圾回收 采用方式_pyth