人工智能技术丛书Keras实战:基于TensorFlow2.2的深度学习实践

第1章 深度学习与应用框架 1.1 何为深度学习 1.1.1 何为深度学习 1.1.2 与传统的“浅层学习”的区别 1.2 开汽车或者制造汽车——深度学习入门. 1.2.1 **步：数据的准备. 1.2.2 第二步：数据的处理 1.2.3 第三步：模型的设计 1.2.4 第四步：模型的训练 1.2.5 第五步：模型的结果和展示 1.3 深度学习的流程、应用场景和模型分类 1.3.1 深度学习的流程与应用场景 1.3.2 深度学习的模型分类 1.4 主流深度学习框架对比 1.4.1 深度学习框架的选择 1.4.2 Keras 与 TensorFlow 1.5 本章小结 第2章 Hello TensorFlow & Keras 2.1 TensorFlow的环境安装 2.1.1 Anaconda的下载与安装 2.1.2 Python编译器PyCharm的安装 2.1.3 使用 Python 计算 softmax 函数 2.2.1 安装TensorFlow 2.2 的CPU版本 2.2.2 安装TensorFlow 2.2 的GPU版本 2.2.3 练习———Hello TensorFlow 2.3 TensorFlow & Keras 2.3.1 模型！模型！模型！还是模型 2.3.2 使用Keras API实现鸢尾花分类的例子（顺序模型） 2.3.3 使用Keras 函数式编程实现鸢尾花分类的例子（重点） 2.3.4 使用保存的Keras模式对模型进行复用 2.3.5 使用 TensorFlow 标准化编译对 iris模型进行拟合. 2.3.6 多输入单一输出TensorFlow编译方法（选学） 2.3.7 多输入多输出 TensorFlow 编译方法（选学) 2.4 全连接层详解 2.4.1 全连接层的定义与实现 2.4.2 使用Keras实现全连接层 2.4.3 打印显示已设计的模型结构和参数 2.5 懒人的福音——Keras模型库 2.5.1 ResNet50模型和参数的载入 2.5.2 使用ResNet50作为特征提取层建立模型 2.6 本章小结 第3章 深度学习的理论基础 3.1 BP神经网络简介 3.2 BP神经网络两个基础算法详解 3.2.1 *小二乘法详解 3.2.2 道士下山的故事——梯度下降算法 3.3 反馈神经网络反向传播算法 3.3.1 深度学习基础 3.3.2 链式求导法则 3.3.3 反馈神经网络原理与公式推导 3.3.4 反馈神经网络原理的激活函数 3.3.5 反馈神经网络原理的Python实现 3.4 本章小结 第4章 卷积层与MNIST实战 4.1 卷积运算基本概念 4.1.1 卷积运算 4.1.2 TensorFlow中卷积函数的实现 4.1.3 池化运算 4.1.4 softmax 激活函数 4.1.5 卷积神经网络原理 4.2 编程实战：MNIST手写体识别 4.2.1 MNIST数据集 4.2.2 MNIST数据集特征和标签 4.2.3 TensorFlow 2.2 编程实战：MNIST数据集 4.2.4 使用自定义的卷积层实现MNIST识别 4.3 本章小结 第5章 多层感知机与MNIST实战 5.1 一个简单的多层感知机 5.1.1 多层感知机的原理与实现 5.1.2 多层感知机的激活函数 5.2 消除过拟合——正则化与dropout 5.2.1 正则化与dropout概述 5.2.2 使用防过拟合处理的多层感知机 5.2.3 Keras创建多层感知机的细节问题 5.3 本章小结 第6章 TensorFlow Datasets 和TensorBoard 6.1 TensorFlow Datasets简介 6.1.1 Datasets 数据集的安装 6.1.2 Datasets 数据集的使用 6.2 Datasets 数据集的使用——FashionMNIST 6.2.1 FashionMNIST 数据集下载与展示 6.2.2 模型的建立与训练 6.3 使用Keras 对FashionMNIST数据集进行处理 6.3.1 获取数据集 6.3.2 数据集的调整 6.3.3 使用Python类函数建立模型 6.3.4 模型的查看和参数打印 6.3.5 模型的训练和评估 6.4 使用TensorBoard可视化训练过程. 6.4.1 TensorBoard的文件夹设置 6.4.2 TensorBoard 的显式调用 6.4.3 TensorBoard的使用 6.5 本章小结 第7章 从冠军开始：ResNet 7.1 ResNet的基本原理与程序设计基础 7.1.1 ResNet 诞生的背景 7.1.2 模块工具的TensorFlow实现——不要重复造轮子 7.1.3 TensorFlow 高级模块layers 的用法 7.2 ResNet 实战：CIFAR-100数据集分类 7.2.1 CIFAR-100数据集简介 7.2.2 ResNet 残差模块的实现 7.2.3 ResNet 网络的实现 7.2.4 使用ResNet对CIFAR-100数据集进行分类 7.3 ResNet 的兄弟——ResNeXt 7.3.1 ResNeXt诞生的背景 7.3.2 ResNeXt残差模块的实现 7.3.3 ResNeXt网络的实现 7.3.4 ResNeXt 和 ResNet的比较 7.4 本章小结 第8章 Keras 实战——有趣的词嵌入 8.1 文本数据处理 8.1.1 数据集和数据清洗. 8.1.2 .停用词的使用… 8.1.3 词向量训练模型 word2vec 的使用 8.1.4 文本主题的提取：基于TF-IDF(选学） 8.1.5 文本主题的提取：基于TextRank(选学） 8.2 更多的词嵌入方法———fastText和预训练词向量 8.2.1 fastText的原理与基础算法 8.2.2 fastText 训练以及与 TensorFlow 2.X的协同使用 8.2.3 使用其他预训练参数做TensorFlow词嵌入矩阵（中文） 8.3 针对文本的卷积神经网络模型——字符卷积 8.3.1 字符（非单词）文本的处理 8.3.2 卷积神经网络文本分类模型的实现——convld（一维卷积） 8.4 针对文本的卷积神经网络模型——词卷积 8.4.1 单词的文本处理 8.4.2 卷积神经网络文本分类模型的实现——conv2d(二维卷积） 8.5 使用卷积对文本分类的补充内容 8.5.1 中文的文本处理 8.5.2 其他细节 8.6 本章小结 第9章 Keras 实战——站在巨人肩膀上的情感分类实战 9.1 GRU与情感分类 9.1.1 使用GRU的情感分类 9.1.2 什么是GRU 9.1.3 TensorFlow 中的GRU层 9.1.4 单向不行就双向 9.2 站在巨人肩膀上的情感分类. 9.2.1 使用TensorFlow自带的模型做文本分类. 9.2.2 使用自定义的DPCNN做模型分类 9.3 本章小结