Python深度學(xué)習(xí)實(shí)戰(zhàn)：基于TensorFlow和Keras的聊天機(jī)器人以及人臉、物體和語音識別

序

第1章　TensorFlow基礎(chǔ) 1

1.1　張量 2

1.2　計(jì)算圖與會話 2

1.3　常量、占位符與變量 4

1.4　占位符 6

1.5　創(chuàng)建張量 8

1.5.1　固定張量 9

1.5.2　序列張量 11

1.5.3　隨機(jī)張量 11

1.6　矩陣操作 12

1.7　激活函數(shù) 13

1.7.1　雙曲正切函數(shù)與Sigmoid函數(shù) 13

1.7.2　ReLU與ELU 15

1.7.3　ReLU6 15

1.8　損失函數(shù) 17

1.8.1　損失函數(shù)實(shí)例 18

1.8.2　常用的損失函數(shù) 18

1.9　優(yōu)化器 19

1.9.1　優(yōu)化器實(shí)例 20

1.9.2　常用的優(yōu)化器 21

1.10　度量 21

??1.10.1　度量實(shí)例 22

??1.10.2　常用的度量 22

第2章　理解并運(yùn)用Keras 25

2.1　深度學(xué)習(xí)模型構(gòu)建的主要步驟 25

2.1.1　載入數(shù)據(jù) 26

2.1.2　預(yù)處理數(shù)據(jù) 27

2.1.3　定義模型 27

2.1.4　編譯模型 29

2.1.5　擬合模型 29

2.1.6　評估模型 30

2.1.7　預(yù)測 30

2.1.8　保存與重載模型 31

2.1.9　可選：總結(jié)模型 31

2.2　改進(jìn)Keras模型的附加步驟 32

2.3　Keras聯(lián)合TensorFlow 33

第3章　多層感知機(jī) 35

3.1　人工神經(jīng)網(wǎng)絡(luò) 35

3.2　單層感知機(jī) 37

3.3　多層感知機(jī) 37

3.4　邏輯斯諦回歸模型 38

第4章　TensorFlow中的回歸到MLP 45

4.1　TensorFlow搭建模型的步驟 45

4.2　TensorFlow中的線性回歸 46

4.3　邏輯斯諦回歸模型 49

4.4　TensorFlow中的多層感知機(jī) 52

第5章　Keras中的回歸到MLP 55

5.1　對數(shù)-線性模型 55

5.2　線性回歸的Keras神經(jīng)網(wǎng)絡(luò) 56

5.3　邏輯斯諦回歸 58

5.3.1scikit-learn邏輯斯諦回歸 58

5.3.2邏輯斯諦回歸的Keras神經(jīng)網(wǎng)絡(luò) 59

5.3.3流行的MNIST數(shù)據(jù)：Keras中的邏輯斯諦回歸 60

5.4　基于Iris數(shù)據(jù)的MLP 62

5.4.1　編寫代碼 62

5.4.2構(gòu)建一個(gè)序列Keras模型 63

5.5基于MNIST數(shù)據(jù)的MLP數(shù)字分類 66

5.6　基于隨機(jī)生成數(shù)據(jù)的MLP 68

第6章　卷積神經(jīng)網(wǎng)絡(luò) 71

6.1　CNN中的各種層 71

6.2　CNN結(jié)構(gòu) 74

第7章　TensorFlow中的CNN 77

7.1為什么用TensorFlow搭建CNN模型 77

7.2基于MNIST數(shù)據(jù)集搭建圖片分類器的TensorFlow代碼 78

7.3　使用高級API搭建CNN模型 82

第8章　Keras中的CNN 83

8.1在Keras中使用MNIST數(shù)據(jù)集搭建圖片分類器 83

8.1.1　定義網(wǎng)絡(luò)結(jié)構(gòu) 85

8.1.2　定義模型架構(gòu) 85

8.2使用CIFAR-10數(shù)據(jù)集搭建圖片分類器 86

8.2.1　定義網(wǎng)絡(luò)結(jié)構(gòu) 87

8.2.2　定義模型架構(gòu) 88

8.3　預(yù)訓(xùn)練模型 89

第9章　RNN與LSTM 91

9.1　循環(huán)神經(jīng)網(wǎng)絡(luò)的概念 91

9.2　長短時(shí)記憶網(wǎng)絡(luò)的概念 93

9.3　LSTM常見模式 93

9.4　序列預(yù)測 94

9.4.1　數(shù)字序列預(yù)測 94

9.4.2　序列分類 95

9.4.3　序列生成 95

9.4.4　序列到序列預(yù)測 95

9.5利用LSTM模型處理時(shí)間序列預(yù)測問題 96

第10章　語音-文本轉(zhuǎn)換及其逆過程 101

10.1　語音-文本轉(zhuǎn)換 101

10.2　語音數(shù)據(jù) 102

10.3語音特征：將語音映射為矩陣 103

10.4聲譜圖：將語音映射為圖像 104

10.5利用MFCC特征構(gòu)建語音識別分類器 104

10.6利用聲譜圖構(gòu)建語音識別分類器 105

10.7　開源方法 106

10.8　使用API的例子 107

10.8.1　使用PocketSphinx 107

10.8.2使用Google Speech API 108

10.8.3使用Google Cloud Speech API 108

10.8.4　使用Wit.ai API 108

10.8.5　使用Houndify API 109

10.8.6使用IBM Speech to Text API 109

10.8.7使用Bing Voice Recognition API 110

10.9　文本-語音轉(zhuǎn)換 110

10.9.1　使用pyttsx 110

10.9.2　使用SAPI 111

10.9.3　使用SpeechLib 111

10.10　音頻剪輯代碼 111

10.11　認(rèn)知服務(wù)提供商 112

10.11.1　Microsoft Azure 113

10.11.2　 Cognitive Services 113

10.11.3　IBM Watson Services 113

10.12　語音分析的未來 113

第11章　創(chuàng)建聊天機(jī)器人 115

11.1　為什么是聊天機(jī)器人 116

11.2　聊天機(jī)器人的設(shè)計(jì)和功能 116

11.3　構(gòu)建聊天機(jī)器人的步驟 116

11.3.1　預(yù)處理文本和消息 117

11.3.2用API構(gòu)建聊天機(jī)器人 130

11.4聊天機(jī)器人開發(fā)的最佳實(shí)踐 133

11.4.1　了解潛在用戶 133

11.4.2讀入用戶情感使得機(jī)器人情感更豐富 133

第12章　人臉檢測與識別 135

12.1人臉檢測、人臉識別與人臉分析 135

12.2　OpenCV 136

12.2.1　特征臉 137

12.2.2　LBPH 137

12.2.3　費(fèi)歇臉 138

12.3　檢測人臉 139

12.4　跟蹤人臉 141

12.5　人臉識別 144

12.6　基于深度學(xué)習(xí)的人臉識別 147

12.7　遷移學(xué)習(xí) 149

12.7.1為什么要用遷移學(xué)習(xí) 150

12.7.2　遷移學(xué)習(xí)實(shí)例 150

12.7.3　計(jì)算遷移值 152

12.8　API 158

附錄1　圖像處理的Keras函數(shù) 161

附錄2　可用的優(yōu)質(zhì)圖像數(shù)據(jù)集 165

附錄3　醫(yī)學(xué)成像：DICOM文件格式 167