带你少走弯路：强烈推荐的Keras快速入门资料和翻译（可下载）
上次寫了TensorFlow和PyTorch的快速入門資料，受到很多好評，讀者強烈建議我再出一個keras的快速入門路線，經(jīng)過翻譯和搜索網(wǎng)上資源，我推薦4份入門資料，希望對大家有所幫助。
備注：另外兩個入門資料
TensorFlow的快速入門資料
PyTorch的快速入門資料
很負(fù)責(zé)任地說：看完這些資料，Keras基本入門了，接下來碰到問題能自己查資料解決了！（本文作者：黃海廣）
推薦資料
1.《python深度學(xué)習(xí)》及中文注釋的代碼
TensorFlow團隊的Josh Gordon推薦這本書，TF2.0基于Keras。如果你是一個深度學(xué)習(xí)新手，最好從這本書入手。當(dāng)然這本書里的代碼需要改一下，但非常簡單：
import?keras ->?from?tensorflow?import?keras《python深度學(xué)習(xí)》由Keras之父、現(xiàn)任Google人工智能研究員的弗朗索瓦?肖萊（Franc?ois Chollet）執(zhí)筆，詳盡介紹了用Python和Keras進(jìn)行深度學(xué)習(xí)的探索實踐，包括計算機視覺、自然語言處理、產(chǎn)生式模型等應(yīng)用。書中包含30多個代碼示例，步驟講解詳細(xì)透徹。
作者在github公布了代碼，代碼幾乎囊括了本書所有知識點。在學(xué)習(xí)完本書后，讀者將具備搭建自己的深度學(xué)習(xí)環(huán)境、建立圖像識別模型、生成圖像和文字等能力。但是有一個小小的遺憾：代碼的解釋和注釋是全英文的，即使英文水平較好的朋友看起來也很吃力。
本站認(rèn)為，這本書和代碼是初學(xué)者入門深度學(xué)習(xí)及Keras最好的工具。
黃海廣對全部代碼做了中文解釋和注釋，并下載了代碼所需要的一些數(shù)據(jù)集（尤其是“貓狗大戰(zhàn)”數(shù)據(jù)集），并對其中一些圖像進(jìn)行了本地化，代碼全部測試通過。（請按照文件順序運行，代碼前后有部分關(guān)聯(lián)）。
以下代碼包含了全書80%左右的知識點，代碼目錄：
2.1: A first look at a neural network（ 初識神經(jīng)網(wǎng)絡(luò)）
3.5: Classifying movie reviews（電影評論分類：二分類問題）
3.6: Classifying newswires（新聞分類：多分類問題 ）
3.7: Predicting house prices（預(yù)測房價：回歸問題）
4.4: Underfitting and overfitting（ 過擬合與欠擬合）
5.1: Introduction to convnets（卷積神經(jīng)網(wǎng)絡(luò)簡介）
5.2: Using convnets with small datasets（在小型數(shù)據(jù)集上從頭開始訓(xùn)練一個卷積
5.3: Using a pre-trained convnet（使用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)）
5.4: Visualizing what convnets learn（卷積神經(jīng)網(wǎng)絡(luò)的可視化）
6.1: One-hot encoding of words or characters（單詞和字符的 one-hot 編碼）
6.1: Using word embeddings（使用詞嵌入）
6.2: Understanding RNNs（理解循環(huán)神經(jīng)網(wǎng)絡(luò)）
6.3: Advanced usage of RNNs（循環(huán)神經(jīng)網(wǎng)絡(luò)的高級用法）
6.4: Sequence processing with convnets（用卷積神經(jīng)網(wǎng)絡(luò)處理序列）
8.1: Text generation with LSTM（使用 LSTM 生成文本）
8.2: Deep dream（DeepDream）
8.3: Neural style transfer（ 神經(jīng)風(fēng)格遷移）
8.4: Generating images with VAEs（用變分自編碼器生成圖像）
8.5: Introduction to GANs（生成式對抗網(wǎng)絡(luò)簡介）
中文注釋與解釋如圖：
圖：代碼的中文注釋與解釋
作者的github：
https://github.com/fchollet/deep-learning-with-python-notebooks
中文注釋代碼：
https://github.com/fengdu78/machine_learning_beginner/tree/master/deep-learning-with-python-notebooks
2.keras的樣例代碼
資源地址：
https://github.com/erhwenkuo/deep-learning-with-keras-notebooks
資源介紹：
這個github的repository主要是ErhWen Kuo在學(xué)習(xí)Keras的一些記錄及練習(xí)。希望在學(xué)習(xí)過程中發(fā)現(xiàn)到一些好的信息與示例也可以對想要學(xué)習(xí)使用Keras來解決問題的同學(xué)帶來幫助。這些notebooks主要是使用Python 3.6與Keras 2.1.1版本跑在一臺配置Nivida 1080Ti的Windows 10的機臺所產(chǎn)生的結(jié)果，但有些部份會參雜一些Tensorflow與其它的函式庫的介紹。
配置環(huán)境：
python 3.6以上，Keras 2.1.1
資源目錄：
0.圖象數(shù)據(jù)集/工具介紹
0.0: COCO API解說與簡單示例
0.1:土炮自制撲克牌圖象數(shù)據(jù)集
0.2:使用Pillow來進(jìn)行圖像處理
1.Keras API示例
1.0:使用圖像增強來進(jìn)行深度學(xué)習(xí)
1.1:如何使用Keras函數(shù)式API進(jìn)行深度學(xué)習(xí)
1.2:從零開始構(gòu)建VGG網(wǎng)絡(luò)來學(xué)習(xí)Keras
1.3:使用預(yù)訓(xùn)練的模型來分類照片中的物體
1.4:使用圖像增強來訓(xùn)練小數(shù)據(jù)集
1.5:使用預(yù)先訓(xùn)練的卷積網(wǎng)絡(luò)模型
1.6:卷積網(wǎng)絡(luò)模型學(xué)習(xí)到什么的可視化
1.7:構(gòu)建自動編碼器（Autoencoder）
1.8:序列到序列（Seq-to-Seq）學(xué)習(xí)介紹
1.9: One-hot編碼工具程序介紹
1.10:循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）介紹
1.11: LSTM的返回序列和返回狀態(tài)之間的區(qū)別
1.12:用LSTM來學(xué)習(xí)英文字母表順序
2.圖像分類（Image Classification）
2.0: Julia（Chars74K）字母圖像分類
2.1:交通標(biāo)志圖像分類
2.2:辛普森卡通圖像角色分類
2.3:時尚服飾圖像分類
2.4:人臉關(guān)鍵點辨識
2.5: Captcha驗證碼分類
2.6: Mnist手寫圖像分類（MLP）
2.7: Mnist手寫圖像分類（CNN）
3.目標(biāo)檢測（Object Recognition）
3.0: YOLO目標(biāo)檢測算法概念與介紹
3.1: YOLOv2目標(biāo)檢測示例
3.2:浣熊（Racoon）檢測-YOLOv2模型訓(xùn)練與調(diào)整
3.3:浣熊（Racoon）檢測-YOLOv2模型的使用
3.4:袋鼠（Kangaroo）檢測-YOLOv2模型訓(xùn)練與調(diào)整
3.5:雙手（Hands）檢測-YOLOv2模型訓(xùn)練與調(diào)整
3.6:辛普森卡通圖象角色（Simpson）檢測-YOLOv2模型訓(xùn)練與調(diào)整
3.7: MS COCO圖象檢測-YOLOv2模型訓(xùn)練與調(diào)整
4.物體分割（Object Segmentation）
5.關(guān)鍵點檢測（Keypoint Detection）
6.圖象標(biāo)題（Image Caption）
7.人臉檢測識別（Face Detection/Recognition）
7.0:人臉檢測- OpenCV（Haar特征分類器）
7.1:人臉檢測- MTCNN（Multi-task Cascaded Convolutional Networks）
7.2:人臉識別-臉部檢測、對齊&裁剪
7.3:人臉識別-人臉部特征提取&人臉分類器
7.4:人臉識別-轉(zhuǎn)換、對齊、裁剪、特征提取與比對
7.5:臉部關(guān)鍵點檢測（dlib）
7.6:頭部姿態(tài)（Head pose）估計（dlib）
8.自然語言處理（Natural Language Processing）
8.0:詞嵌入（word embeddings）介紹
8.1:使用結(jié)巴（jieba）進(jìn)行中文分詞
8.2: Word2vec詞嵌入（word embeddings）的基本概念
8.3:使用結(jié)巴（jieba）進(jìn)行歌詞分析
8.4:使用gensim訓(xùn)練中文詞向量（word2vec）
3.keras的官方樣例
資源地址：
https://github.com/keras-team/keras/tree/master/examples
資源介紹：
這個github是Keras的官方例子，包含了CV、NLP、生成模型以及一些通用的函數(shù)代碼，可以說是教科書式的，拿過來改下輸入輸出就能用，非常方便。
4.keras的預(yù)訓(xùn)練模型
資源地址：
https://github.com/fchollet/deep-learning-models
這個倉庫是keras的作者建立的，包含的預(yù)訓(xùn)練的 Keras 模型:
VGG16
VGG19
ResNet50
Inception v3
CRNN for music tagging
樣例說明：
圖像分類代碼
from?resnet50 import?ResNet50 from?keras.preprocessing import?image from?imagenet_utils import?preprocess_input, decode_predictionsmodel = ResNet50(weights='imagenet')img_path = 'elephant.jpg' img = image.load_img(img_path, target_size=(224, 224)) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x)preds = model.predict(x) print('Predicted:', decode_predictions(preds)) # print: [[u'n02504458', u'African_elephant']]總結(jié)
看完這些資料，Keras基本入門了，接下來碰到問題能自己查資料解決了！
關(guān)于本站
“機器學(xué)習(xí)初學(xué)者”公眾號由是黃海廣博士創(chuàng)建，黃博個人知乎粉絲22000+，github排名全球前110名（32000+）。本公眾號致力于人工智能方向的科普性文章，為初學(xué)者提供學(xué)習(xí)路線和基礎(chǔ)資料。原創(chuàng)作品有：吳恩達(dá)機器學(xué)習(xí)個人筆記、吳恩達(dá)深度學(xué)習(xí)筆記等。
往期精彩回顧
那些年做的學(xué)術(shù)公益-你不是一個人在戰(zhàn)斗
適合初學(xué)者入門人工智能的路線及資料下載
吳恩達(dá)機器學(xué)習(xí)課程筆記及資源（github標(biāo)星12000+，提供百度云鏡像）
吳恩達(dá)深度學(xué)習(xí)筆記及視頻等資源（github標(biāo)星8500+，提供百度云鏡像）
《統(tǒng)計學(xué)習(xí)方法》的python代碼實現(xiàn)（github標(biāo)星7200+）
精心整理和翻譯的機器學(xué)習(xí)的相關(guān)數(shù)學(xué)資料
首發(fā)：深度學(xué)習(xí)入門寶典-《python深度學(xué)習(xí)》原文代碼中文注釋版及電子書
備注：加入本站微信群或者qq群，請回復(fù)“加群”
加入知識星球（4300+用戶，ID：92416895），請回復(fù)“知識星球”
總結(jié)
以上是生活随笔為你收集整理的带你少走弯路：强烈推荐的Keras快速入门资料和翻译（可下载）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： ML 自学者周刊：第 4 期
- 下一篇： 数据预处理|关于标准化和归一化的一切