Keras深度學習實戰(zhàn)

定　價：￥59.00

作　者：	[意大利] 安東尼奧·古利（Antonio Gulli）著
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115482228	出版時間：	2018-07-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內容簡介

　　作為一款輕量級、模塊化的開源深度學習框架，Keras以容易上手、利于快速原型實現(xiàn)、能夠與TensorFlow和Theano等后端計算平臺很好兼容等優(yōu)點，深受眾多開發(fā)人員和研究人員的喜愛。本書結合大量實例，簡明扼要地介紹了目前熱門的神經(jīng)網(wǎng)絡技術和深度學習技術。從經(jīng)典的多層感知機到用于圖像處理的深度卷積網(wǎng)絡，從處理序列化數(shù)據(jù)的循環(huán)網(wǎng)絡到偽造仿真數(shù)據(jù)的生成對抗網(wǎng)絡，從詞嵌入到AI游戲應用中的強化學習，本書帶領讀者一層一層揭開深度學習的面紗，并在逐漸清晰的理論框架下，提供多個Python編碼實例，方便讀者動手實踐。通過閱讀本書，讀者不僅能學會使用Keras快捷構建各個類型的深度網(wǎng)絡，還可以按需自定義網(wǎng)絡層和后端功能，從而提升自己的AI編程能力，在成為深度學習專家的路上更進一步。

作者簡介

　　作者簡介Antonio Gulli是企業(yè)領導和軟件部門高管，具備創(chuàng)新精神和執(zhí)行力，并樂于發(fā)現(xiàn)和管理全球高科技人才。他是搜索引擎、在線服務、機器學習、信息檢索、數(shù)據(jù)分析以及云計算等多方面的專家。他幸運地擁有歐洲4個不同國家的工作經(jīng)驗，并管理過來自歐洲和美國6個不同國家的員工。Antonio在出版業(yè)（Elsevier）、消費者互聯(lián)網(wǎng)（Ask.com 和Tiscali）以及高科技研發(fā)（微軟和谷歌）等多個跨度的行業(yè)里歷任CEO、GM、CTO、副總裁、總監(jiān)及區(qū)域主管。Sujit Pal是Elsevier Labs技術研發(fā)主管，致力于構建圍繞研發(fā)內容和元數(shù)據(jù)的智能系統(tǒng)。他的主要興趣包括信息檢索、本體論、自然語言處理、機器學習，以及分布式處理。他現(xiàn)在的工作是利用深度學習模型對圖像進行分類和相似度識別。在此之前，他在衛(wèi)生保健行業(yè)工作，幫助構建基于本體論的語義搜索、關聯(lián)廣告，以及EMR數(shù)據(jù)處理平臺。他在他的博客Salmon Run上發(fā)表技術文章。譯者簡介王海玲，大學畢業(yè)于吉林大學計算機系，從小喜愛數(shù)學，曾獲得華羅庚數(shù)學競賽全國二等獎。擁有世界500強企業(yè)多年研發(fā)經(jīng)驗。作為項目骨干成員，參與過美國惠普實驗室機器學習項目。李昉，畢業(yè)于東北大學自動化系，大學期間曾獲得“挑戰(zhàn)杯”全國一等獎。擁有世界500強企業(yè)多年研發(fā)經(jīng)驗，隨后加入互聯(lián)網(wǎng)創(chuàng)業(yè)公司。2013年開始帶領研發(fā)團隊將大數(shù)據(jù)分析運用于“預訂電商”價格分析預測（《IT經(jīng)理世界》2013年第6期）?，F(xiàn)在中體彩彩票運營公司負責大數(shù)據(jù)和機器學習方面的研發(fā)。同時是集智俱樂部成員，參與翻譯人工智能圖書《Deep Thinking》。中文版審校者簡介于立國，現(xiàn)任國美大數(shù)據(jù)研究院研發(fā)總監(jiān)，曾任知名上市互聯(lián)網(wǎng)廣告公司——品眾互動研發(fā)總監(jiān)，也曾在Adobe數(shù)字化營銷部門擔任負責人，對大數(shù)據(jù)、人工智能、互聯(lián)網(wǎng)廣告領域深有研究。

圖書目錄

第 1章神經(jīng)網(wǎng)絡基礎 1

1.1　感知機　2

　第一個Keras代碼示例　3

1.2　多層感知機—第一個神經(jīng)網(wǎng)絡的示例　3

1.2.1　感知機訓練方案中的問題　4

1.2.2　激活函數(shù)—sigmoid　5

1.2.3　激活函數(shù)—ReLU　5

1.2.4　激活函數(shù)　6

1.3　實例—手寫數(shù)字識別　6

1.3.1　One-hot編碼—OHE　7

1.3.2　用Keras定義簡單神經(jīng)網(wǎng)絡　7

1.3.3　運行一個簡單的Keras網(wǎng)絡并創(chuàng)建基線　10

1.3.4　用隱藏層改進簡單網(wǎng)絡　11

1.3.5　用dropout進一步改進簡單網(wǎng)絡　14

1.3.6　Keras中的不同優(yōu)化器測試　16

1.3.7　增加訓練輪數(shù)　20

1.3.8　控制優(yōu)化器的學習率　20

1.3.9　增加內部隱藏神經(jīng)元的數(shù)量　21

1.3.10　增加批處理的大小　22

1.3.11　識別手寫數(shù)字的實驗總結　22

1.3.12　采用正則化方法避免過擬合　22

1.3.13　超參數(shù)調優(yōu)　24

1.3.14　輸出預測　24

1.4　一種實用的反向傳播概述　25

1.5　走向深度學習之路　26

1.6　小結　27

第　2章 Keras安裝和API　28

2.1　安裝Keras　28

2.1.1　第 1步—安裝依賴項　28

2.1.2　第 2步—安裝Theano　29

2.1.3　第3步—安裝TensorFlow　29

2.1.4　第4步—安裝Keras　30

2.1.5　第5步—測試Theano、TensorFlow和Keras　30

2.2　配置Keras　31

2.3　在Docker上安裝Keras　32

2.4　在谷歌Cloud ML上安裝Keras　34

2.5　在亞馬遜AWS上安裝Keras　36

2.6　在微軟Azure上安裝Keras　37

2.7　Keras API　39

2.7.1　從Keras架構開始　40

2.7.2　預定義神經(jīng)網(wǎng)絡層概述　40

2.7.3　預定義激活函數(shù)概述　43

2.7.4　損失函數(shù)概述　44

2.7.5　評估函數(shù)概述　44

2.7.6　優(yōu)化器概述　44

2.7.7　一些有用的操作　44

2.7.8　保存和加載權重及模型結構　45

2.8　自定義訓練過程的回調函數(shù)　45

2.8.1　檢查點設置　45

2.8.2　使用TensorBoard　47

2.8.3　使用Quiver　47

2.9　小結　48

第3章　深度學習之卷積網(wǎng)絡　49

3.1　深度卷積神經(jīng)網(wǎng)絡—DCNN　50

3.1.1　局部感受野　50

3.1.2　共享權重和偏置　51

3.1.3　池化層　51

3.2　DCNN示例—LeNet　52

3.2.1　用Keras構建LeNet代碼　53

3.2.2　深度學習的本領　59

3.3　用深度學習網(wǎng)絡識別CIFAR-10圖像　60

3.3.1　用深度學習網(wǎng)絡改進CIFAR-10的性能　64

3.3.2　通過數(shù)據(jù)增加改善CIFAR-10的性能　66

3.3.3　用CIFAR-10進行預測　68

3.4　用于大型圖片識別的極深度卷積網(wǎng)絡　69

3.4.1　用VGG-16網(wǎng)絡識別貓　71

3.4.2　使用Keras內置的VGG-16網(wǎng)絡模塊　72

3.4.3　為特征提取回收內置深度學習模型　73

3.4.4　用于遷移學習的極深inception-v3網(wǎng)絡　74

3.5　小結　76

第4章　生成對抗網(wǎng)絡和WaveNet　78

4.1　什么是生成對抗網(wǎng)絡　78

　生成對抗網(wǎng)絡的一些應用　80

4.2　深度卷積生成對抗網(wǎng)絡　82

4.3　用Keras adversarial生成MNIST數(shù)據(jù)　85

4.4　用Keras adversarial生成CIFAR數(shù)據(jù)　91

4.5　WaveNet—一個學習如何產(chǎn)生音頻的生成模型　99

4.6　小結　108

第5章　詞嵌入　109

5.1　分布式表示　110

5.2　word2vec　110

5.2.1　skip-gram word2vec模型　111

5.2.2　CBOW word2vec模型　114

5.2.3　從模型中提取word2vec向量　116

5.2.4　使用word2vec的第三方實現(xiàn)　117

5.3　探索GloVe　121

5.4　使用預訓練好的詞向量　122

5.4.1　從頭開始學習詞向量　123

5.4.2　從word2vec中微調訓練好的詞向量　127

5.4.3　從GloVe中微調訓練好的詞向量　131

5.4.4　查找詞向量　132

5.5　小結　136

第6章　循環(huán)神經(jīng)網(wǎng)絡—RNN　137

6.1　SimpleRNN單元　138

　用Keras實現(xiàn)SimpleRNN—生成文本　139

6.2　RNN拓撲結構　143

6.3　梯度消失和梯度爆炸　145

6.4　長短期記憶網(wǎng)絡—LSTM　146

　用Keras實現(xiàn)LSTM—情感分析　148

6.5　門控循環(huán)單元—GRU　153

　用Keras實現(xiàn)GRU—詞性標注　154

6.6　雙向RNN　160

6.7　有狀態(tài)RNN　161

　用Keras實現(xiàn)有狀態(tài)LSTM—電量消費預測　161

6.8　其他RNN變體　167

6.9　小結　167

第7章　其他深度學習模型　169

7.1　Keras函數(shù)API　170

7.2　回歸網(wǎng)絡　172

　Keras回歸示例—預測空氣中的苯含量　172

7.3　無監(jiān)督學習—自動編碼器　176

　Keras自動編碼器示例—句向量　178

7.4　構造深度網(wǎng)絡　185

　Keras示例—問答記憶網(wǎng)絡　185

7.5　自定義Keras　192

7.5.1　Keras示例—使用lambda層　193

7.5.2　Keras示例—自定義歸一化層　193

7.6　生成模型　196

7.6.1　Keras示例—Deep Dreaming　197

7.6.2　Keras示例—風格轉換　204

7.7　小結　208

第8章　游戲中的AI　210

8.1　強化學習　211

8.1.1　最大化未來獎賞　212

8.1.2　Q學習　212

8.1.3　深度Q網(wǎng)絡作為Q函數(shù)　213

8.1.4　探索和利用的平衡　214

8.1.5　經(jīng)驗回放，或經(jīng)驗值　215

8.2　示例—用Keras深度Q網(wǎng)絡實現(xiàn)捕捉游戲　215

8.3　未來之路　226

8.4　小結　228

第9章　結束語　229

9.1　Keras 2.0—新特性　230

9.1.1　安裝Keras 2.0　230

9.1.2　API的變化　231