如何自学 占星术 占星教程网盘 塔罗牌教程百度网盘

深度学习快速实践：基于TENSORFLOW和KERAS的深度神经网络优化与训练PDF电子书下载

其他书籍

• 作 者：（美）迈克·贝尼科着
• 出 版 社：
• 出版年份：2020
• ISBN：
• 页数：0 页

图书介绍： 查看图书目录点击购买PDF全本电子书 上一篇：透视西方广告音乐下一篇：明朝的皇帝 下 《深度学习快速实践：基于TENSORFLOW和KERAS的深度神经网络优化与训练》目录 标签：深度 神经网络 神经 实践 训练

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cuDNN9

1.3.6 安装Python10

1.3.7 安装TensorFlow和Keras11

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MLP19

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TensorBoard27

3.2.1 安装TensorBoard28

3.2.2 TensorBoard如何与KerasTensorFlow会话28

3.2.3 运行TensorBoard28

3.3 将Keras连接到TensorBoard29

3.3.1 Keras回调简介29

3.3.2 创建TensorBoard回调函数29

3.4 使用TensorBoard31

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 AUC41

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MNIST47

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 Hyperband60

6.4 小结62

第7章 从头开始训练CNN63

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 汇聚层66

7.1.4 批量规格化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 何时使用迁移学习74

8.2.1 有限的数据74

8.2.2 公共问题域74

8.3 源／目标量和相似度的影响75

8.3.1 更多的数据总是有益的75

8.3.2 源／目标域的相似度75

8.4 在Keras中进行迁移学习75

8.4.1 目标域概述76

8.4.2 源域概述76

8.4.3 源网络体系结构76

8.4.4 网络体系结构的迁移77

8.4.5 数据准备77

8.4.6 数据输入78

8.4.7 训练（特征提取）78

8.4.8 训练（调优）80

8.5 小结81

第9章 从头开始训练RNN82

9.1 递归神经网络概述82

9.1.1 如何让神经元进行递归？83

9.1.2 长短时间记忆网络84

9.1.3 在时间上的反向传播86

9.2 重温时间序列问题86

9.2.1 存量和流量87

9.2.2 ARIMA和ARIMAX预测87

9.3 使用LSTM网络进行时间序列预测88

9.3.1 数据准备89

9.3.2 网络输出92

9.3.3 网络体系结构93

9.3.4 stateful与stateless LSTM网络93

9.3.5 训练93

9.3.6 测量性能94

9.4 小结96

第10章 从头开始训练具有单词嵌入的LSTM网络97

10.1 自然语言处理简介97

10.1.1 语义分析98

10.1.2 文档分类98

10.2 文本的矢量化99

10.2.1 NLP术语99

10.2.2 Bag of Word模型99

10.2.3 词干化、词形归并和停止词100

10.2.4 计数和TF-IDF矢量化100

10.3 单词嵌入101

10.3.1 一个简单的例子102

10.3.2 通过预测进行的单词嵌入学习102

10.3.3 通过计数进行的单词嵌入学习104

10.3.4 从单词到文档104

10.4 Keras嵌入层105

10.5 用于自然语言处理的1D CNN105

10.6 文档分类的案例研究106

10.6.1 使用Keras嵌入层和LSTM网络进行情感分析106

10.6.2 使用和不使用GloVe的文档分类110

10.7 小结117

第11章 训练sequence-to-sequence模型118

11.1 sequence-to-sequence模型118

11.1.1 sequence-to-sequence模型的应用118

11.1.2 sequence-to-sequence模型的体系结构119

11.1.3 字符与单词120

11.1.4 Teacher forcing120

11.1.5 Attention121

11.1.6 翻译的度量121

11.2 机器翻译121

11.2.1 了解数据集122

11.2.2 加载数据122

11.2.3 one hot编码124

11.2.4 训练网络体系结构125

11.2.5 网络体系结构（用于推理）126

11.2.6 体系结构的合并127

11.2.7 训练128

11.2.8 推理129

11.3 小结133

第12章 使用深度强化学习134

12.1 强化学习概述134

12.1.1 Markov决策过程135

12.1.2 Q-learning136

12.1.3 无限状态空间136

12.1.4 Deep Q网络137

12.1.5 守成与探索138

12.1.6 DeepMind138

12.2 Keras的强化学习平台架构139

12.2.1 安装Keras-RL139

12.2.2 安装OpenAI gym139

12.2.3 使用OpenAI gym139

12.3 在Keras中构建一个强化学习智能体140

12.3.1 CartPole140

12.3.2 月球着陆器143

12.4 小结145

第13章 生成对抗网络146

13.1 GAN的概述146

13.2 深度卷积GAN的体系结构147

13.2.1 对抗训练体系结构147

13.2.2 生成器的体系结构148

13.2.3 鉴别器的体系结构149

13.2.4 堆训练149

13.3 GAN如何失效151

13.3.1 稳定性151

13.3.2 模式塌缩151

13.4 GAN的安全选择151

13.5 使用Keras GAN进行的MNIST图像生成152

13.5.1 加载数据集152

13.5.2 构建生成器153

13.5.3 构建鉴别器153

13.5.4 堆叠模型的构建154

13.5.5 训练循环155

13.5.6 模型评估157

13.6 使用Keras GAN进行CIFAR-10图像的生成160

13.6.1 加载CIFAR-10160

13.6.2 构建生成器160

13.6.3 构建鉴别器161

13.6.4 训练循环161

13.6.5 模型评估161

13.7 小结162

相关图书

• 《计算机网络与通信基础》谢雨飞，田启川编着 2019
• 《激光加工实训技能指导理实一体化教程 下》王秀军，徐永红主编；刘波，刘克生副主编 2017
• 《中国铁路人 第三届现实主义网络文学征文大赛一等奖》恒传录着 2019
• 《语文教育教学实践探索》陈德收 2018
• 《彼得·布鲁克导演实践研究》邓小玲着 2019
• 《反思性实践》胡红梅， 2019
• 《高含硫气藏开发腐蚀控制技术与实践》唐永帆，张强 2018
• 《环境影响评价公众参与理论与实践研究》樊春燕主编 2019
• 《学校特色教育探索与实践》管升起着 2019
• 《深度学习与飞桨PaddlePaddle Fluid实战》于祥 2019

作者其它书籍

• 《SQL与关系数据库理论》（美）戴特（C.J.Date） 2019
• 《魔法销售台词》（美）埃尔默·惠勒着 2019
• 《看漫画学钢琴 技巧 3》高宁译；（日）川崎美雪 2019
• 《优势谈判 15周年经典版》（美）罗杰·道森 2018
• 《社会学与人类生活 社会问题解析 第11版》（美）James M. Henslin（詹姆斯·M. 汉斯林） 2019
• 《海明威书信集：1917-1961 下》（美）海明威（Ernest Hemingway）着；潘小松译 2019
• 《迁徙 默温自选诗集 上》（美）W.S.默温着；伽禾译 2020
• 《上帝的孤独者 下 托马斯·沃尔夫短篇小说集》（美）托马斯·沃尔夫着；刘积源译 2017
• 《巴黎永远没个完》（美）海明威着 2017
• 《剑桥国际英语写作教程 段落写作》（美）吉尔·辛格尔顿（Jill Shingleton）编着 2019

出版社其它书籍

本类热门

• 1变通 受用一生的学问
• 2额尔古纳河右岸
• 3易经真的很容易
• 4海蒂怀孕大百科 全新第4版
• 5八次危机 中国的真实经验1949-2009
• 6法治的细节
• 7你是你吃出来的
• 8蛤蟆先生的希望
• 9杀死一只知更鸟
• 10天幕红尘

摘要：本文深入探讨了《深度学习快速实践：基于TENSORFLOW和KERAS的深度神经网络优化与训练.pdf电子书版文档下载》一书，全面分析了深度学习在TENSORFLOW和KERAS框架下的实践应用。通过详细阐述深度神经网络的优化与训练方法，本书为读者提供了丰富的实践案例和操作指南，助力读者快速掌握深度学习技术。

1、深度学习基础

《深度学习快速实践》一书首先介绍了深度学习的基本概念和原理，包括神经网络、激活函数、损失函数等。通过清晰的图解和实例，读者可以轻松理解深度学习的核心思想。此外，本书还详细讲解了TENSORFLOW和KERAS框架的安装与配置，为后续实践打下坚实基础。

在深度学习基础部分，本书还深入探讨了不同类型的神经网络结构，如卷积神经网络（CNN）、循环神经网络（RNN）等，并分析了它们在不同领域的应用。这些内容为读者提供了丰富的知识储备，有助于在实际项目中灵活运用深度学习技术。

此外，本书还介绍了深度学习中的常见问题，如过拟合、欠拟合等，并提供了相应的解决方案。这些内容有助于读者在实际应用中避免常见错误，提高模型的性能。

2、TENSORFLOW框架应用

本书详细介绍了TENSORFLOW框架在深度学习中的应用，包括数据预处理、模型构建、训练与优化等。通过丰富的实例，读者可以学习如何使用TENSORFLOW实现各种深度学习模型，如分类、回归、图像识别等。

在TENSORFLOW框架应用部分，本书还重点讲解了如何利用TENSORFLOW进行分布式训练，提高模型训练效率。这对于大规模数据集和复杂模型来说尤为重要。

此外，本书还介绍了TENSORFLOW中的高级功能，如GPU加速、可视化等，使读者能够更好地利用TENSORFLOW框架进行深度学习实践。

3、KERAS框架应用

《深度学习快速实践》一书还详细介绍了KERAS框架在深度学习中的应用。KERAS是一个简洁、高效的深度学习框架，它提供了丰富的预训练模型和易于使用的API，使深度学习实践更加便捷。

在KERAS框架应用部分，本书通过实例展示了如何使用KERAS构建和训练各种深度学习模型。同时，本书还介绍了KERAS中的高级功能，如迁移学习、模型评估等，使读者能够更好地利用KERAS框架进行深度学习实践。

此外，本书还对比了TENSORFLOW和KERAS框架的特点和适用场景，帮助读者根据实际需求选择合适的框架。

4、实践案例与操作指南

本书提供了丰富的实践案例和操作指南，涵盖了深度学习的各个方面。这些案例包括图像识别、自然语言处理、推荐系统等，使读者能够将所学知识应用于实际项目中。

在实践案例与操作指南部分，本书详细介绍了如何使用TENSORFLOW和KERAS框架解决实际问题。通过跟随案例步骤，读者可以逐步掌握深度学习技术，并将其应用于自己的项目中。

此外，本书还提供了大量的代码示例，使读者能够更好地理解深度学习算法的实现过程。

总结：

《深度学习快速实践：基于TENSORFLOW和KERAS的深度神经网络优化与训练.pdf电子书版文档下载》一书全面介绍了深度学习在TENSORFLOW和KERAS框架下的实践应用，为读者提供了丰富的知识储备和实践指导。通过学习本书，读者可以快速掌握深度学习技术，并将其应用于实际项目中。

本文由nayona.cn整理

点击联系需要东西方神秘学学习资料，专业的咨询