●譯者序
審校者簡介
前言
章Keras安裝1
1.1引言1
1.2在Ubuntu16.04上安裝Keras1
1.2.1準備工作2
1.2.2怎麼做2
1.3在Docker鏡像中使用JupyterNotebook安裝Keras7
1.3.1準備工作7
1.3.2怎麼做7
1.4在已激活GPU的Ubuntu16.04上安裝Keras9
1.4.1準備工作9
1.4.2怎麼做10
第2章Keras數據集和模型13
2.1引言13
2.2CIFAR-10數據集13
2.3CIFAR-100數據集15
2.4MNIST數據集17
2.5從CSV文件加載數據18
2.6Keras模型入門19
2.6.1模型的剖析19
2.6.2模型類型19
2.7序貫模型20
2.8共享層模型27
2.8.1共享輸入層簡介27
2.8.2怎麼做27
2.9Keras函數API29
2.9.1怎麼做29
2.9.2示例的輸出31
2.10Keras函數API——鏈接層31
2.11使用Keras函數API進行圖像分類32
第3章數據預處理、優化和可視化36
3.1圖像數據特征標準化36
3.1.1準備工作36
3.1.2怎麼做37
3.2序列填充39
3.2.1準備工作39
3.2.2怎麼做39
3.3模型可視化41
3.3.1準備工作41
3.3.2怎麼做41
3.4優化43
3.5示例通用代碼43
3.6隨機梯度下降優化法44
3.6.1準備工作44
3.6.2怎麼做44
3.7Adam優化算法47
3.7.1準備工作47
3.7.2怎麼做47
3.8AdaDelta優化算法50
3.8.1準備工作51
3.8.2怎麼做51
3.9使用RMSProp進行優化54
3.9.1準備工作54
3.9.2怎麼做54
第4章使用不同的Keras層實現分類58
4.1引言58
4.2乳腺癌分類58
4.3垃圾信息檢測分類66
第5章卷積神經網絡的實現73
5.1引言73
5.2宮頸癌分類73
5.2.1準備工作74
5.2.2怎麼做74
5.3數字識別84
5.3.1準備工作84
5.3.2怎麼做85
第6章生成式對抗網絡89
6.1引言89
6.2基本的生成式對抗網絡90
6.2.1準備工作91
6.2.2怎麼做91
6.3邊界搜索生成式對抗網絡98
6.3.1準備工作99
6.3.2怎麼做100
6.4深度卷積生成式對抗網絡106
6.4.1準備工作107
6.4.2怎麼做108
第7章遞歸神經網絡116
7.1引言116
7.2用於時間序列數據的簡單RNN117
7.2.1準備工作118
7.2.2怎麼做119
7.3時間序列數據的LSTM網絡128
7.3.1LSTM網絡128
7.3.2LSTM記憶示例129
7.3.3準備工作129
7.3.4怎麼做129
7.4使用LSTM進行時間序列預測133
7.4.1準備工作134
7.4.2怎麼做135
7.5基於LSTM的等長輸出序列到序列學習143
7.5.1準備工作143
7.5.2怎麼做144
第8章使用Keras模型進行自然語言處理150
8.1引言150
8.2詞嵌入150
8.2.1準備工作151
8.2.2怎麼做151
8.3情感分析157
8.3.1準備工作157
8.3.2怎麼做159
8.3.3完整代碼清單162
第9章基於Keras模型的文本摘要164
9.1引言164
9.2評論的文本摘要164
9.2.1怎麼做165
9.2.2參考資料172
0章強化學習173
10.1引言173
10.2使用Keras進行《CartPole》遊戲174
10.3使用競爭DQN算法進行《CartPole》遊戲181
10.3.1準備工作183
10.3.2怎麼做187

作為機器學習中的一個重要研究領域，人工神經網絡的發展歷史一波三折。2006年以來，隨著深度學習的興起和成功應用，人工神經網絡迎來了新的生機。與傳統的人工神經網絡相比，深度學習的很大特點是網絡層數有了大幅度的增加，配合其他相關技術，解決了以圖像、聲音等作為數據的傳統人工神經網絡難以解決的問題。作為快速實現深度學習的平臺，TensorFlow一定程度上簡化了神經網絡的構建程序，Keras進一步對TensorFlow進行了封裝，從而能更加快速地把用戶的思想轉化為代碼。本書從實用的角度出發，全方面介紹了如何使用Keras解決深度學習中的各類問題。本書假設讀者無任何關於深度學習編程的基礎知識，首先介紹了Keras這一高度模塊化、極簡式的深度學習框架的安裝、配置和編譯等平臺搭建知識，而後詳細介紹了深度學習所要求的數據預處理等基本內容，在此基礎上介紹了卷積神經網絡、生成式對抗網絡、遞歸神經網絡這三種深度等