TensorFlow+Keras深度学习算法原理与编程实战

本书以一个彩票预测的实战项目开发为主线，详细介绍了爬虫基础、概率论、时间序列、深度学习等热门的人工智能技术及TensorFlow+Keras这种主流的深度学习框架的使用方法。本书分为8章，涵盖的主要内容有深度学习基础、数据抓取与存储、概率论基础、时间序列、深度学习框架简介及环境安装、深度学习原理、Keras入门、福彩3D预测平台工程搭建等。

第1章深度学习基础1
1.1人工智能、机器学习与深度学习1
1.1.1人工智能的诞生1
1.1.2人工智能、机器学习和深度学习的关系3
1.1.3深度学习的发展3
1.2深度学习的应用领域4
1.2.1语音搜索和语音助手4
1.2.2图像识别4
1.2.3自动驾驶5
1.2.4金融领域5
1.3深度学习的主要框架5
1.3.1Theano6
1.3.2TensorFlow6
1.3.3Keras7
1.3.4PyTorch8
1.3.5Microsoft CNTK8
1.3.6MXNet9
第2章数据抓取与存储10
2.1Windows系统下Python开发环境的安装10
2.1.1Windows系统下安装Anaconda11
2.1.2下载并安装Python3安装包11
2.1.3检查环境安装是否成功13
2.2Linux系统下Python开发环境的安
2.2.1CentOS7系统下安装Python3.614
2.2.2Ubuntu18.04系统下安装Python3.6.615
2.2.3Linux系统下安装Anaconda15
2.3第三方库的安装16
2.3.1数据收集与处理流程16
2.3.2请求库的安装17
2.3.3解析库的安装17
2.4数据库的安装19
2.4.1Windows系统下安装MySQL8.019
2.4.2Ubuntu系统下安装MySQL8.023
2.4.3存储库的安装24
2.5爬虫基础25
2.5.1URI和URL25
2.5.2超文本25
2.5.3HTTP协议和HTTPS协议26
2.5.4HTTP请求27
2.5.5Request请求29
2.5.6Reponse响应33
2.6实战案例：抓取双色球开奖数据35
2.6.1项目介绍35
2.6.2抓取近期新期开奖数据35
2.6.3抓取历史期开奖数据49
第3章概率论基础57
3.1样本空间及随机变量57
3.1.1样本空间57
3.1.2随机变量58
3.2概率分布及分布函数59
3.2.1概率分布59
3.2.2分布函数60
3.3离散随机变量61
3.3.1离散随机变量概述61
3.3.2离散随机变量的均匀分布62
3.3.3伯努利分布（Bernoulli Distribution）65
3.3.4二项分布（Binomial Distribution）65
3.3.5泊松分布（Poisson Distribution）66
3.4实战案例：分析双色球一等奖开奖注数是否随机68
3.4.1查询数据68
3.4.2柱形图显示70
第4章时间序列77
4.1时间序列入门77
4.1.1什么是时间序列77
4.1.2时间序列的基本概念78
4.1.3如何进行时间序列分析79
4.2彩票的特性模型选择80
4.2.1概率均等性80
4.2.2偏态性80
4.2.3连贯性81
4.2.4时序性81
4.3马尔可夫链模型82
4.3.1马尔可夫链的基本原理82
4.3.2基于加权马尔可夫链的模型福彩3D分析与预测85
4.4实战案例：马尔可夫链模型预测87
4.4.1项目介绍87
4.4.2抓取福彩3D数据87
4.4.3马尔可夫链预测的步骤分析96
4.4.4马尔可夫链预测步骤一：马尔可夫性验证96
4.4.5马尔可夫链预测步骤二：一步转移概率矩阵98
4.4.6马尔可夫链预测步骤三：n步转移概率矩阵101
4.4.7马尔可夫链预测步骤四：计算权重wk101
4.4.8马尔可夫链预测步骤五：进行预测103
第5章深度学习框架简介及环境安装117
5.1Tensorflow的发展历程117
5.2Ubuntu系统下安装TensorFlow+Keras120
5.2.1安装CPU版本的TensorFlow120
5.2.2安装Keras122
5.3Windows系统下安装TensorFlow+Keras122
5.3.1安装GPU版本的TensorFlow122
5.3.2安装Keras127
第6章深度学习原理128
6.1深度学习数学基础128
6.1.1张量128
6.1.2应用中的数据张量132
6.2神经网络基础134
6.2.1感知器134
6.2.2线性单元140
6.2.3线性模型141
6.2.4目标函数141
6.2.5梯度下降算法142
6.2.6随机梯度下降算法148
6.2.7线性回归代码实例148
6.3循环神经网络152
6.3.1循环神经网络的概念152
6.3.2实战RNN153
6.4LSTM神经网络156
6.4.1RNN的长期依赖问题156
6.4.2LSTM原理简介156
6.5参考文献159
第7章Keras入门160
7.1Keras简介160
7.1.1Keras在TensorFlow中的架构图161
7.1.2Keras基础161
7.2Sequential顺序模型162
7.2.1指定输入数据的大小163
7.2.2模型编译163
7.2.3优化器164
7.2.4损失函数171
7.2.5损失函数的选择173
7.2.6评价函数181
7.2.7模型训练182
7.2.8训练历史可视化184
7.2.9模型预测184
7.3KerasLSTM简介185
7.3.1LSTM参数介绍185
7.3.2LSTM序列模型搭建186
7.4实战案例：LSTM神经网络预测福彩3D188
7.4.1项目介绍188
7.4.2导入数据和参数189
7.4.3构建LotteryLSTM框架类191
7.4.4LotteryLSTM初始化192
7.4.5训练数据集和测试数据集分割192
7.4.6LSTM网络的创建与训练194
7.4.7Keras模型的保存196
7.4.8LSTM网络评估199
7.4.9LSTM网络预测结果可视化200
7.4.10项目代码实现201
7.5参考文献211
第8章福彩3D预测平台工程搭建212
8.1工程代码整合212
8.1.1LSTM神经网络模型保存212
8.1.2LSTM神经网络模型调用218
8.1.3抓取数据代码220
8.1.4MySQL数据库导入数据库文件223
8.2工程代码224
8.3结束语246