Keras深度学习 入门、实战与进阶

（1）作者经验丰富：资深AI技术专家和数据挖掘专家，拥有超过14年技术研发和管理经验，连续6年被微软评为数据科学和AI方向MVP。（2）零基础快速入门：针对性内容设计，结构合理，内容突出，零基础读者也能快速入门深度学习。（3）理论知识扎实：深度学习工具使用、基础知识、神经网络、模型构建等推荐理论知识全部详细讲解。（4）实战案例丰富：原理辅以Keras代码，每章都有综合案例及其代码分析，结合生产环境展开。

这是一本理论与实践兼顾的深度学习著作，它通过精心的内容组织和丰富的案例讲解，能让读者零基础入门，并迅速晋级为有一定理论基础和项目实战能力的高手。基础方面，不仅介绍了Keras等各种深度学习框架的使用和开发环境的搭建，还对深度学习的基础知识做了全面讲解；理论方面，详细讲解了全连接神经网络、卷积神经网络、循环神经网络、自编码器和生成式对抗网络等核心神经网络的原理和应用；应用层面，不仅讲解了如何用Keras开发各种深度学习模型，而且还讲解了深度学习在图像处理和文本处理两大核心场景的应用；实战方面，每个深度学习模型原理的背后都有精心设计的Keras实现代码，每章都有多个综合性案例，读者可以在调试和执行代码的过程中掌握深度学习模型设计与开发的各种方法和技巧。本书内容结构合理，重点突出；写作方式循序渐进，易于读者理解；行文风格幽默风趣，读起来不枯燥。

前言
第1章 准备深度学习的环境1
1.1 机器学习与深度学习1
1.2 主流深度学习框架介绍4
1.2.1 TensorFlow4
1.2.2 Keras5
1.2.3 Caffe5
1.2.4 PyTorch6
1.2.5 Theano6
1.2.6 CNTK6
1.2.7 MXNet7
1.2.8 ONNX7
1.3 配置深度学习的软件环境8
1.3.1 安装Anaconda8
1.3.2 在Anaconda中安装TensorFlow8
1.3.3 在Anaconda中安装Keras10
1.3.4 安装R和RStudio10
1.3.5 在RStudio中安装TensorFlow12
1.3.6 在RStudio中安装Keras12
1.4 Keras构建深度学习模型13
1.4.1 MNIST数据集13
1.4.2 数据预处理14
1.4.3 模型建立及训练16
1.4.4 模型评估及预测18
1.5 本章小结22
第2章 深度学习简介23
2.1 神经网络基础23
2.1.1 神经元23
2.1.2 激活函数24
2.1.3 神经网络的拓扑结构30
2.1.4 神经网络的主要类型31
2.1.5 损失函数32
2.2 优化网络的方法33
2.2.1 梯度下降算法33
2.2.2 自适应学习率算法37
2.3 防止模型过拟合42
2.3.1 过拟合与欠拟合42
2.3.2 正则化的方法43
2.3.3 数据拆分44
2.3.4 Dropout45
2.4 综合实例：电信流失用户预测46
2.4.1 数据预处理46
2.4.2 选择优化器47
2.4.3 增加内部隐藏层神经元数量48
2.4.4 采用正则化避免过拟合49
2.5 本章小结52
第3章 如何用Keras开发深度学习模型53
3.1 Keras模型的生命周期53
3.1.1 数据预处理53
3.1.2 定义网络56
3.1.3 编译网络58
3.1.4 训练网络58
3.1.5 评估网络60
3.1.6 做出预测61
3.2 Keras模型61
3.2.1 序贯模型61
3.2.2 使用函数式API创建的模型63
3.3 模型可视化66
3.3.1 网络拓扑可视化66
3.3.2 模型训练可视化67
3.3.3 TensorBoard可视化70
3.4 Keras中的回调函数77
3.4.1 回调函数介绍77
3.3.2 使用回调函数寻找模型80
3.5 模型保存及序列化82
3.5.1 使用HDF5格式保存模型83
3.5.2 使用JSON格式保存模型87
3.5.3 使用YAML格式保存模型88
3.6 本章小结88
第4章 深度学习的图像数据预处理89
4.1 图像处理EBImage包89
4.1.1 图像读取与保存89
4.1.2 图像对象和矩阵91
4.1.3 色彩管理94
4.1.4 图像处理97
4.1.5 空间变换99
4.1.6 图像滤波102
4.1.7 形态运算105
4.1.8 图像分割106
4.2 利用Keras进行图像预处理107
4.2.1 图像读取与保存107
4.2.2 图像生成器image_data_generator110
4.2.3 image_data_generator实例115
4.3 综合实例：对彩色花图像进行分类118
4.3.1 图像数据读取及探索118
4.3.2 MLP模型建立及预测122
4.3.3 CNN模型建立与预测124
4.3.4 利用数据增强改善CNN模型126
4.4 本章小结128
第5章 全连接神经网络的经典实例129
5.1 回归问题实例：波士顿房价预测129
5.1.1 波士顿房价数据描述129
5.1.2 波士顿房价数据预处理131
5.1.3 波士顿房价预测131
5.2 多分类实例：鸢尾花分类134
5.2.1 鸢尾花数据描述134
5.2.2 鸢尾花数据预处理136
5.2.3 鸢尾花分类建模137
5.3 二分类实例：印第安人糖尿病诊断139
5.3.1 印第安人糖尿病数据描述139
5.3.2 印第安人糖尿病数据预处理141
5.3.3 印第安人糖尿病诊断建模142
5.4 二分类实例：泰坦尼克号上旅客生存预测144
5.4.1 泰坦尼克号的旅客数据描述145
5.4.2 泰坦尼克号的旅客数据预处理146
5.4.3 生存预测建模149
5.5 多分类实例：彩色手写数字图像识别151
5.5.1 彩色手写数字图像数据描述151
5.5.2 彩色手写数字图像数据预处理152
5.5.3 彩色手写数字图像数据建模155
5.6 本章小结158
第6章 卷积神经网络及图像分类159
6.1 卷积神经网络原理159
6.1.1 卷积层161
6.1.2 卷积层的Keras实现163
6.1.3 池化层167
6.1.4 池化层的Keras实现168
6.1.5 全连接层171
6.2 多分类实例：小数据集的图像识别171
6.2.1 导入本地图像数据171
6.2.2 图像数据预处理173
6.2.3 建立全连接神经网络模型识别小数据集图像175
6.2.4 建立简单卷积神经网络识别小数据集图像177
6.2.5 建立复杂卷积神经网络识别小数据集图像180
6.3 多分类实例：彩色手写数字图像识别183
6.3.1 导入及处理本地手写数字图像183
6.3.2 MNIST数据预处理185
6.3.3 构建简单卷积神经网络识别彩色手写数字186
6.3.4 构建复杂卷积神经网络识别彩色手写数字189
6.4 多分类实例：CIFAR-10图像识别192
6.4.1 CIFAR-10数据描述192
6.4.2 加载CIFAR-10数据192
6.4.3 CIFAR-10数据预处理194
6.4.4 构建简单卷积神经网络识别CIFAR-10图像195
6.4.5 构建复杂卷积神经网络识别CIFAR-10图像199
6.5 本章小结204
……