深度学习

本书系统的讲解了深度的基本知识，以及使用机器学习解决实际问题，详细的介绍了如何构建及优化模型，并针对不同的问题给出了不同的解决方案，通过不同的例子展示了具体的项目中的应用和实践经验，是一本很好好的深度学习的入门和实践的书籍。本书以实践为导向，使用 Keras作为编程框架，强调简单，快速的上手建立模型，解决实际项目问题。读者可以根据本书的理解，迅速上手实践深度学习，并利用深度学习解决实际的问题。本书很好适合于项目经理，有意从事机器学习开发的程序员，以及高校在读相关专业的学生。

魏贞原，IBM不错项目经理，主要负责银行客户的复杂系统开发。同时是IBMCIC量子计算COE团队的Python领域专家（Subject Matter Expert），负责量子计算应用的探索工作，对机器学习和深度学习有深入的研究，精通于运用机器学习来解决数据科学的问题。并运营“知之Python”公众号，定期分享Python在机器学习和深度学习中的实践知识。

第一部分初识
1初识深度学习/2
1.1Python的深度学习/2
1.2软件环境和基本要求/3
1.2.1Python和SciPy/3
1.2.2机器学习/3
1.2.3深度学习/4
1.3阅读本书的收获/4
1.4本书说明/4
1.5本书中的代码/5
2深度学习生态圈/6
2.1CNTK/6
2.1.1安装CNTK/7
2.1.2CNTK的简单例子/8
2.2TensorFlow/8
2.2.1TensorFlow介绍/8
2.2.2安装TensorFlow/9
2.2.3TensorFlow的简单例子/9
2.3Keras/10
2.3.1Keras简介/11
2.3.2Keras安装/11
2.3.3配置Keras的后端/11
2.3.4使用Keras构建深度学习模型/12
2.4云端GPUs计算/13
第二部分多层感知器
3第一个多层感知器实例：印第安人糖尿病诊断/16
3.1概述/16
3.2PimaIndians数据集/17
3.3导入数据/18
3.4定义模型/19
3.5编译模型/20
3.6训练模型/21
3.7评估模型/21
3.8汇总代码/22
4多层感知器速成/24
4.1多层感知器/24
4.2神经元/25
4.2.1神经元权重/25
4.2.2激活函数/26
4.3神经网络/27
4.3.1输入层（可视层）/28
4.3.2隐藏层/28
4.3.3输出层/28
4.4训练神经网络/29
4.4.1准备数据/29
4.4.2随机梯度下降算法/30
4.4.3权重更新/30
4.4.4预测新数据/31
5评估深度学习模型/33
5.1深度学习模型和评估/33
5.2自动评估/34
5.3手动评估/36
5.3.1手动分离数据集并评估/36
5.3.2k折交叉验证/37
6在Keras中使用Scikit-Learn/40
6.1使用交叉验证评估模型/41
6.2深度学习模型调参/42
7多分类实例：鸢尾花分类/49
7.1问题分析/49
7.2导入数据/50
7.3定义神经网络模型/50
7.4评估模型/52
7.5汇总代码/52
8回归问题实例：波士顿房价预测/54
8.1问题描述/54
8.2构建基准模型/55
8.3数据预处理/57
8.4调参隐藏层和神经元/58
9二分类实例：银行营销分类/61
9.1问题描述/61
9.2数据导入与预处理/62
9.3构建基准模型/64
9.4数据格式化/66
9.5调参网络拓扑图/66
10多层感知器进阶/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神经网络的检查点/81
10.4.1检查点跟踪神经网络模型/82
10.4.2自动保存很优模型/84
10.4.3从检查点导入模型/86
10.5模型训练过程可视化/87
11Dropout与学习率衰减92
11.1神经网络中的Dropout/92
11.2在Keras中使用Dropout/93
11.2.1输入层使用Dropout/94
11.2.2在隐藏层使用Dropout/95
11.2.3Dropout的使用技巧/97
11.3学习率衰减/97
11.3.1学习率线性衰减/98
11.3.2学习率指数衰减/100
11.3.3学习率衰减的使用技巧/103
第三部分卷积神经网络
12卷积神经网络速成/106
12.1卷积层/108
12.1.1滤波器/108
12.1.2特征图/109
12.2池化层/109
12.3全连接层/109
12.4卷积神经网络案例/110
13手写数字识别/112
13.1问题描述/112
13.2导入数据/113
13.3多层感知器模型/114
13.4简单卷积神经网络/117
13.5复杂卷积神经网络/120
14Keras中的图像增强/124
14.1Keras中的图像增强API/124
14.2增强前的图像/125
14.3特征标准化/126
14.4ZCA白化/128
14.5随机旋转、移动、剪切和反转图像/129
14.6保存增强后的图像/132
15图像识别实例：CIFAR-10分类/134
15.1问题描述/134
15.2导入数据/135
15.3简单卷积神经网络/136
15.4大型卷积神经网络/140
15.5改进模型/145
16情感分析实例：IMDB影评情感分析/152
16.1问题描述/152
16.2导入数据/153
16.3词嵌入/154
16.4多层感知器模型/155
16.5卷积神经网络/157
第四部分循环神经网络
17循环神经网络速成/162
17.1处理序列问题的神经网络/163
17.2循环神经网络/164
17.3长短期记忆网络/165
18多层感知器的时间序列预测：国际旅行人数预测/167
18.1问题描述/167
18.2导入数据/168
18.3多层感知器/169
18.4使用窗口方法的多层感知器/172
19LSTM时间序列问题预测：国际旅行人数预测177
19.1LSTM处理回归问题/177
19.2使用窗口方法的LSTM回归/181
19.3使用时间步长的LSTM回归/185
19.4LSTM的批次间记忆/188
19.5堆叠LSTM的批次间记忆/192
20序列分类：IMDB影评分类/197
20.1问题描述/197
20.2简单LSTM/197
20.3使用Dropout改进过拟合/199
20.4混合使用LSTM和CNN/201
21多变量时间序列预测：PM2.5预报/203
21.1问题描述/203
21.2数据导入与准备/204
21.3构建数据集/206
21.4简单LSTM/207
22文本生成实例：爱丽丝梦游仙境/211
22.1问题描述/211
22.2导入数据/212
22.3分词与向量化/212
22.4词云/213
22.5简单LSTM/215
22.6生成文本/219
附录A深度学习的基本概念/223
A.1神经网络基础/223
A.2卷积神经网络/227
A.3循环神经网络/229