深度学习快速实践:基于TensorFlow和Kears的深度神经网络优化与训练

目　录
译者序
原书序
原书前言
第1 章　深度学习的构建模块 // 1
1.1　深度神经网络的架构 // 1
1.1.1　神经元 // 1
1.1.2　 深度学习中的代价函数和成本函数 // 4
1.1.3　前向传播过程 // 5
1.1.4　反向传播函数 // 5
1.1.5　随机和小批量梯度下降 // 6
1.2　深度学习的优化算法 // 6
1.2.1　采用具有动量的梯度下降 // 6
1.2.2　RMSProp 算法 // 7
1.2.3　Adam 优化器 // 7
1.3　深度学习平台架构 // 7
1.3.1　什么是TensorFlow ？ // 7
1.3.2　什么是Keras ？ // 8
1.3.3　TensorFlow 的热门替代品 // 8
1.3.4　 TensorFlow 和Keras 对GPU的要求 // 8
1.3.5　 安装Nvidia CUDA Toolkit 和cuDNN // 9
1.3.6　安装Python // 10
1.3.7　安装TensorFlow 和Keras // 11
1.4　深度学习数据集的构建 // 12
1.4.1　 深度学习中的偏差和方差误差 // 13
1.4.2　train、val 和test 数据集 // 13
1.4.3　 深度神经网络中的偏差和方差管理 // 14
1.4.4　K-Fold 交叉验证 // 14
1.5　小结 // 15
第2 章　 用深度学习解决回归问题 // 16
2.1　回归分析和深度神经网络 // 16
2.1.1　 使用神经网络进行回归的好处 // 16
2.1.2　 使用神经网络进行回归时需要注意的问题 // 17
2.2　使用深度神经网络进行回归 // 17
2.2.1　如何规划机器学习问题 // 17
2.2.2　定义示例问题 // 17
2.2.3　加载数据集 // 18
2.2.4　定义成本函数 // 19
2.3　在Keras 中建立MLP // 19
2.3.1　输入层的构形 // 20
2.3.2　隐藏层的构形 // 20
2.3.3　输出层的构形 // 20
2.3.4　神经网络的架构 // 20
2.3.5　训练Keras 模型 // 21
2.3.6　评测模型的性能 // 22
2.4　在Keras 中建立深度神经网络 // 22
2.4.1　评测深度神经网络的性能 // 24
2.4.2　模型超参数的调优 // 25
2.5　 保存并加载经过训练的Keras模型 // 25
2.6　小结 // 25
第3 章　 用TensorBoard 监控网络训练 // 27
3.1　TensorBoard 的概述 // 27
3.2　设置TensorBoard // 27
3.2.1　安装TensorBoard // 28
3.2.2　 TensorBoard 如何与Keras /TensorFlow 会话 // 28
3.2.3　运行TensorBoard // 28
3.3　将Keras 连接到TensorBoard // 29
3.3.1　Keras 回调简介 // 29
3.3.2　创建TensorBoard 回调函数 // 29
3.4　使用TensorBoard // 31
3.4.1　网络训练的可视化 // 31
3.4.2　网络结构的可视化 // 32
3.4.3　网络破碎的可视化 // 32
3.5　小结 // 33
第4 章　 用深度学习解决二元分类问题 // 34
4.1　二元分类和深度神经网络 // 34
4.1.1　深度神经网络的优点 // 34
4.1.2　深度神经网络的缺点 // 35
4.2　案例研究—癫痫发作识别 // 35
4.2.1　定义数据集 // 35
4.2.2　加载数据 // 35
4.2.3　模型的输入和输出 // 36
4.2.4　成本函数 // 36
4.2.5　性能评估所采用的度量指标 // 37
4.3　在Keras 中构建二元分类器 // 37
4.3.1　输入层 // 38
4.3.2　隐藏层 // 38
4.3.3　输出层 // 39
4.3.4　网络层的合并 // 39
4.3.5　训练模型 // 40
4.4　使用Keras 中的检查点回调函数 // 40
4.5　 在自定义回调函数中测量ROC AUC // 41
4.6　精度、召回率和f1 积分的测量 // 42
4.7　小结 // 43
第5 章　 用Keras 解决多元分类问题 //44
5.1　多元分类和深度神经网络 // 44
5.1.1　优势 // 44
5.1.2　缺点 // 45
5.2　案例研究—手写数字的分类 // 45
5.2.1　问题定义 // 45
5.2.2　模型的输入和输出 // 45
5.2.3　成本函数 // 46
5.2.4　度量 // 46
5.3　在Keras 中构建多元分类器 // 47
5.3.1　加载MNIST // 47
5.3.2　输入层 // 47
5.3.3　隐藏层 // 47
5.3.4　输出层 // 48
5.3.5　网络的总体结构 // 49
5.3.6　训练 // 49
5.3.7　 多类模型中scikit-learn 度量指标的应用 // 50
5.4　通过Dropout 进行方差控制 // 51
5.5　采用正则化进行方差控制 // 54
5.6　小结 // 55
第6 章　超参数的优化 // 56
6.1　 网络体系结构应该被视为超参数吗？ // 56
6.1.1　站在巨人的肩膀上 // 56
6.1.2　 添加至过度拟合，然后进行正则化 // 57
6.1.3　实用建议 // 57
6.2　应该优化哪些超参数？ // 57
6.3　超参数优化策略 // 58
6.3.1　常用的策略 // 58
6.3.2　通过scikit-learn 使用随机搜索 // 59
6.3.3　Hyperband // 60
6.4　小结 // 62
第7 章　从头开始训练CNN // 63
7.1　卷积的引入 // 63
7.1.1　卷积层的工作原理 // 64
7.1.2　卷积层的好处 // 65
7.1.3　汇集层 // 66
7.1.4　批量正则化 // 67
7.2　在Keras 中训练卷积神经网络 // 67
7.2.1　输入 // 67
7.2.2　输出 // 67
7.2.3　成本函数和度量指标 // 67
7.2.4　卷积层 // 68
7.2.5　全相连层 // 68
7.2.6　Keras 中的多GPU 模型 // 69
7.2.7　训练 // 69
7.3　使用数据扩增 // 70
7.3.1　 Keras 中的图像数据扩增器（ImageDataGenerator 类） // 71
7.3.2　具有数据扩增的训练 // 72
7.4　小结 // 72
第8 章　 使用预训练CNN 进行
迁移学习 // 73
8.1　迁移学习概述 // 73
8.2　何