Keras深度学习实战

给大家带来的一篇关于Keras相关的电子书资源，介绍了关于Keras、深度学习方面的内容，本书是由人民邮电出版社出版，格式为PDF，资源大小139.3 MB，[意大利]安东尼奥·古利编写，目前豆瓣、亚马逊、当当、京东等电子书综合评分为：8.4。

内容介绍

《Keras深度学习实战》为前端工程师和大数据工程师而撰写，书里简要而全方位地详细介绍了现阶段的神经网络和深度学习技术性。全书展现了根据Keras架构、以Python编号的20多种多样合理的神经网络。你将从这书初中到以下几点：在大中型神经网络上应用反向传播优化算法逐渐提升涵数调整神经网络以改善結果品质应用深度学习开展图象和音频处理在特殊的实例中应用递归神经系统张量互联网（RNTN）以获得比规范词嵌入更强的实际效果鉴别循环系统神经网络（RNN）适合处理的难题探寻自动编码机的完成全过程应用强化学习提高深层次神经网络全书浅显易懂，注重具体实例，合适众多的深度学习从业人员和发烧友新手入门与实践活动。

做为一kuan轻巧、模块化设计的开源系统深度学习架构，Keras以非常容易入门、有利于迅速原形完成、可以与TensorFlow和Theano等后端开发测算服务平台非常好适配等优势，备受诸多开发者和科学研究工作人员的钟爱。这书融合很多案例，言简意赅地详细介绍了现阶段受欢迎的神经网络技术性和深度学习技术性。从經典的多层感知机到用以图象处理的深层卷积网络，从解决实例化数据信息的循环系统互联网到仿冒模拟仿真数据信息的转化成对抗网络，从词嵌入到AI游戏软件中的强化学习，这书引ling读者一层一层解开深度学习的面具，并在慢慢清楚的理论框架下，出示好几个Python编号案例，便捷读者动手能力实践活动。根据阅读文章这书，读者不但能学好应用Keras便捷搭建每个种类的深层互联网，还能够按需自定传输层和后端开发作用，进而提高自己的AI编程工作能力，在变成深度学习权威专家的道上更进一步。

目录

• 第 1章 神经网络基础 1
• 1.1　感知机　2
• 　第 一个Keras代码示例　3
• 1.2　多层感知机—第 一个神经网络的示例　3
• 1.2.1　感知机训练方案中的问题　4
• 1.2.2　激活函数—sigmoid　5
• 1.2.3　激活函数—ReLU　5
• 1.2.4　激活函数　6
• 1.3　实例—手写数字识别　6
• 1.3.1　One-hot编码—OHE　7
• 1.3.2　用Keras定义简单神经网络　7
• 1.3.3　运行一个简单的Keras网络并创建基线　10
• 1.3.4　用隐藏层改进简单网络　11
• 1.3.5　用dropout进一步改进简单网络　14
• 1.3.6　Keras中的不同优化器测试　16
• 1.3.7　增加训练轮数　20
• 1.3.8　控制优化器的学习率　20
• 1.3.9　增加内部隐藏神经元的数量　21
• 1.3.10　增加批处理的大小　22
• 1.3.11　识别手写数字的实验总结　22
• 1.3.12　采用正则化方法避免过拟合　22
• 1.3.13　超参数调优　24
• 1.3.14　输出预测　24
• 1.4　一种实用的反向传播概述　25
• 1.5　走向深度学习之路　26
• 1.6　小结　27
• 第　2章 Keras安装和API　28
• 2.1　安装Keras　28
• 2.1.1　第 1步—安装依赖项　28
• 2.1.2　第 2步—安装Theano　29
• 2.1.3　第3步—安装TensorFlow　29
• 2.1.4　第4步—安装Keras　30
• 2.1.5　第5步—测试Theano、TensorFlow和Keras　30
• 2.2　配置Keras　31
• 2.3　在Docker上安装Keras　32
• 2.4　在谷歌Cloud ML上安装Keras　34
• 2.5　在亚马逊AWS上安装Keras　36
• 2.6　在微软Azure上安装Keras　37
• 2.7　Keras API　39
• 2.7.1　从Keras架构开始　40
• 2.7.2　预定义神经网络层概述　40
• 2.7.3　预定义激活函数概述　43
• 2.7.4　损失函数概述　44
• 2.7.5　评估函数概述　44
• 2.7.6　优化器概述　44
• 2.7.7　一些有用的操作　44
• 2.7.8　保存和加载权重及模型结构　45
• 2.8　自定义训练过程的回调函数　45
• 2.8.1　检查点设置　45
• 2.8.2　使用TensorBoard　47
• 2.8.3　使用Quiver　47
• 2.9　小结　48
• 第3章　深度学习之卷积网络　49
• 3.1　深度卷积神经网络—DCNN　50
• 3.1.1　局部感受野　50
• 3.1.2　共享权重和偏置　51
• 3.1.3　池化层　51
• 3.2　DCNN示例—LeNet　52
• 3.2.1　用Keras构建LeNet代码　53
• 3.2.2　深度学习的本领　59
• 3.3　用深度学习网络识别CIFAR-10图像　60
• 3.3.1　用深度学习网络改进CIFAR-10的性能　64
• 3.3.2　通过数据增加改善CIFAR-10的性能　66
• 3.3.3　用CIFAR-10进行预测　68
• 3.4　用于大型图片识别的极深度卷积网络　69
• 3.4.1　用VGG-16网络识别猫　71
• 3.4.2　使用Keras内置的VGG-16网络模块　72
• 3.4.3　为特征提取回收内置深度学习模型　73
• 3.4.4　用于迁移学习的极深inception-v3网络　74
• 3.5　小结　76
• 第4章　生成对抗网络和WaveNet　78
• 4.1　什么是生成对抗网络　78
• 　生成对抗网络的一些应用　80
• 4.2　深度卷积生成对抗网络　82
• 4.3　用Keras adversarial生成MNIST数据　85
• 4.4　用Keras adversarial生成CIFAR数据　91
• 4.5　WaveNet—一个学习如何产生音频的生成模型　99
• 4.6　小结　108
• 第5章　词嵌入　109
• 5.1　分布式表示　110
• 5.2　word2vec　110
• 5.2.1　skip-gram word2vec模型　111
• 5.2.2　CBOW word2vec模型　114
• 5.2.3　从模型中提取word2vec向量　116
• 5.2.4　使用word2vec的第三方实现　117
• 5.3　探索GloVe　121
• 5.4　使用预训练好的词向量　122
• 5.4.1　从头开始学习词向量　123
• 5.4.2　从word2vec中微调训练好的词向量　127
• 5.4.3　从GloVe中微调训练好的词向量　131
• 5.4.4　查找词向量　132
• 5.5　小结　136
• 第6章　循环神经网络—RNN　137
• 6.1　SimpleRNN单元　138
• 　用Keras实现SimpleRNN—生成文本　139
• 6.2　RNN拓扑结构　143
• 6.3　梯度消失和梯度爆炸　145
• 6.4　长短期记忆网络—LSTM　146
• 　用Keras实现LSTM—情感分析　148
• 6.5　门控循环单元—GRU　153
• 　用Keras实现GRU—词性标注　154
• 6.6　双向RNN　160
• 6.7　有状态RNN　161
• 　用Keras实现有状态LSTM—电量消费预测　161
• 6.8　其他RNN变体　167
• 6.9　小结　167
• 第7章　其他深度学习模型　169
• 7.1　Keras函数API　170
• 7.2　回归网络　172
• 　Keras回归示例—预测空气中的苯含量　172
• 7.3　无监督学习—自动编码器　176
• 　Keras自动编码器示例—句向量　178
• 7.4　构造深度网络　185
• 　Keras示例—问答记忆网络　185
• 7.5　自定义Keras　192
• 7.5.1　Keras示例—使用lambda层　193
• 7.5.2　Keras示例—自定义归一化层　193
• 7.6　生成模型　196
• 7.6.1　Keras示例—Deep Dreaming　197
• 7.6.2　Keras示例—风格转换　204
• 7.7　小结　208
• 第8章　游戏中的AI　210
• 8.1　强化学习　211
• 8.1.1　最da化未来奖赏　212
• 8.1.2　Q学习　212
• 8.1.3　深度Q网络作为Q函数　213
• 8.1.4　探索和利用的平衡　214
• 8.1.5　经验回放，或经验值　215
• 8.2　示例—用Keras深度Q网络实现捕捉游戏　215
• 8.3　未来之路　226
• 8.4　小结　228
• 第9章　结束语　229
• 9.1　Keras 2.0—新特性　230
• 9.1.1　安装Keras 2.0　230
• 9.1.2　API的变化　231

学习笔记

Ubuntu14.04基于Anaconda安装Keras并切换后端到Theano

0 系统版本Ubuntu16.04 1 系统更新（速度很慢，可以试着跳过这一步看会不会影响后面的安装） sudo apt updatesudo apt upgrade 2 安装python基础开发包 sudo apt install -y python-dev python-pip python-nose gcc g++ git gfortran vim 3 下载Anaconda然后在终端下执行安装，根据提示完成 chmod 777 Anaconda.shsudo ./Anaconda.sh 4 安装Anaconda后可以选择自动加入环境变量。如果终端输入python不是Anaconda的版本，可以进行相应修改：查看环境变量，若python是在/usr/bin下被检索到的，由于这是个软链接，可以删除原来的软链接，然后新建一个指向Anaconda下的python。 -s ～/anaconda2/bin/python /usr/bin/python 5 为了能终端运行conda，如果没加入环境变量可以自己加入环境……

windows安装TensorFlow和Keras遇到的问题及其解决方法

安装TensorFlow在Windows上，真是让我心力交瘁，想死的心都有了，在Windows上做开发真的让人发狂。 首先说一下我的经历，本来也就是起初，网上说python3.7不支持TensorFlow环境，而且使用Anaconda最好，所以我将我之前Windows上所有的python环境卸载掉！！！，对没错，是所有，包括Anaconda环境，python环境，pycharm环境也卸载掉了。而且我丧心病狂的在电脑上找几乎所有关于python的字眼，全部删除掉，统统不留。只是为了铁了心在Windows上成功安装一个TensorFlow环境。 之前在Linux上环境都有，但是总是切换Linux和Windows比较麻烦，但是这个原因解释起来也比较麻烦，就不多说了。总之，就是必须在Windows上安装TensorFlow！这……

解决Django中调用keras的模型出现的问题

笔者小白在用Django写一个表格单据图片的识别应用的时候，遇到了调用基于Tensorflow的keras模型出错的问题。 出现的错误信息类似于以下： ValueError: Tensor Tensor("Placeholder:0", shape=(3, 3, 1, 32), dtype=float32) 通过查询相关的资料，对解决的方式做一个记录。 方法1、通过导入 import Keras 然后在构建模型前面加一句 keras.backend.clear_session() 方法2、通过提前predict一个全0的数据。 from keras.models import load_modelimport numpy as npprint('load model...')model = load_model('static\\CnnBankUp.h5', compile=False)print('load done.')#一定要添加这段代码，先测试一下，可以避免ValueError: Tensor Tensor("Placeholder:0", shape=(3, 3, 1, 32), dtype=float32) #is not an element of this……

使用keras做SQL注入攻击的判断(实例讲解)

本文是通过深度学习框架keras来做SQL注入特征识别， 不过虽然用了keras，但是大部分还是普通的神经网络，只是外加了一些规则化、dropout层（随着深度学习出现的层）。 基本思路就是喂入一堆数据（INT型）、通过神经网络计算（正向、反向）、SOFTMAX多分类概率计算得出各个类的概率，注意：这里只要2个类别：0-正常的文本；1-包含SQL注入的文本 文件分割上，做成了4个python文件： util类，用来将char转换成int（NN要的都是数字类型的，其他任何类型都要转换成int/float这些才能喂入，又称为feed） data类，用来获取训练数据，验证数据的类，由于这里的训练是有监督训练，因此此时需要返回的是个元组(x, y)……

以上就是本次介绍的Keras电子书的全部相关内容，希望我们整理的资源能够帮助到大家，感谢大家对码农之家的支持。

上一篇：LBS核心技术揭秘

下一篇：iOS10快速开发：18天零基础开发一个商业应用