TensorFlow+Keras深度学习人工智能实践应用
作 者:林大贵 著 著
![]()
定 价:69
![]()
出 版 社:清华大学出版社
![]()
出版日期:2018年02月01日
![]()
页 数:311
![]()
装 帧:平装
![]()
ISBN:9787302493020
![]()
![主编推荐]()
浅入深地讲解Keras与TensorFlow深度学习类神经网络使用实际的数据集配合范例程序代码介绍各种深度学习算法，并示范如何进行数据预处理、训练数据、建立模型和预测结果
![内容简介]()
本书提供安装、上机操作指南，同时辅以大量范例程序介绍TensorFlow + Keras深度学习方面的知识。本书分9部分，共21章，内容主要包括基本概念介绍、TensorFlow 与 Keras 的安装、Keras MNIST手写数字识别、Keras CIFAR-10照片图像物体识别、Keras多层感知器预测泰坦尼克号上旅客的生存概率、使用Keras MLP、RNN、LSTM进行IMDb自然语言处理与情感分析、以TensorFlow张量运算仿真神经网络的运行、TensorFlow MNIST手写数字识别、使用GPU大幅加快深度学习训练。TensorFlow + Keras深度学习方面的知识不需要具备高等数学模型、算法等专业知识，读者只需要具备基本的Python程序设计能力，按照本书的步骤循序渐进地学习，就可以了解深度学习的基本概念，进而实际运用深度学习的技术。
![作者简介]()
林大贵,从事IT行业多年，在系统设计、网站开发、数字营销、商业智慧、大数据、机器学习等领域具有丰富的实战经验。
![精彩内容]()
1．多层感知器模型的介绍为了能够识别MNIST 手写数字图像，我们将建立如图7-1 所示的多层感知器模型。图7-12．多层感知器的训练与预测建立如图7-2 所示的多层感知器模型后，必须先训练模型才能够进行预测（识别）这些手写数字。TensorFlow+Keras深度学习人工智能实践应用68训练（Training）数据预处理训练Features多层感知器模型7 3 9Label预测（Predict）数据预处理训练完成Features 多层感知器模型预测结果0~9 的数字预测图7-2以多层感知器模型识别MNIST 数字图像可分为训练与预测。 训练MNIST 数据集的训练数据共60 000 项，经过数据预处理后会产生Features（数字图像特征值）与Label（数字真实的值），然后输入多层感知器模型进行训练，训练完成的模型就可以作为下一阶段预测使null
![目录]()
目 录第1章 人工智能、机器学习与深度学习简介11.1 人工智能、机器学习、深度学习的关系21.2 机器学习介绍41.3 机器学习分类41.4 深度学习简介71.5 结论8第2章 深度学习的原理92.1 神经传导的原理102.2 以矩阵运算仿真神经网络132.3 多层感知器模型142.4 使用反向传播算法进行训练162.5 结论21第3章 TensorFlow与Keras介绍223.1 TensorFlow架构图233.2 TensorFlow简介243.3 TensorFlow程序设计模式263.4 Keras介绍273.5 Keras程序设计模式283.6 Keras与TensorFlow比较293.7 结论30第4章 在Windows中安装TensorFlow与Keras314.1 安装Anaconda324.2 启动命令提示符354.3 建立TensorFlow的Anaconda虚拟环境374.4 在Anaconda虚拟环境安装TensorFlow与Keras404.5 启动Jupyter Notebook424.6 结论48第5章 在Linux Ubuntu中安装TensorFlow与Keras495.1 安装Anaconda505.2 安装TensorFlow与Keras525.3 启动Jupyter Notebook535.4 结论54第6章 Keras MNIST手写数字识别数据集556.1 下载MNIST数据566.2 查看训练数据586.3 查看多项训练数据images与label606.4 多层感知器模型数据预处理626.5 features数据预处理626.6 label数据预处理646.7 结论65第7章 Keras多层感知器识别手写数字667.1 Keras多元感知器识别MNIST手写数字图像的介绍677.2 进行数据预处理697.3 建立模型697.4 进行训练737.5 以测试数据评估模型准确率777.6 进行预测787.7 显示混淆矩阵797.8 隐藏层增加为1000个神经元817.9 多层感知器加入DropOut功能以避免过度拟合847.10 建立多层感知器模型包含两个隐藏层867.11 结论89第8章 Keras卷积神经网络识别手写数字908.1 卷积神经网络简介918.2 进行数据预处理978.3 建立模型988.4 进行训练1018.5 评估模型准确率1048.6 进行预测1048.7 显示混淆矩阵1058.8 结论107第9章 Keras CIFAR-10图像识别数据集1089.1 下载CIFAR-10数据1099.2 查看训练数据1119.3 查看多项images与label1129.4 将images进行预处理1139.5 对label进行数据预处理1149.6 结论115第10章 Keras卷积神经网络识别CIFAR-10图像11610.1 卷积神经网络简介11710.2 数据预处理11810.3 建立模型11910.4 进行训练12310.5 评估模型准确率12610.6 进行预测12610.7 查看预测概率12710.8 显示混淆矩阵12910.9 建立3次的卷积运算神经网络13210.10 模型的保存与加载13510.11 结论136第11章 Keras泰坦尼克号上的旅客数据集13711.1 下载泰坦尼克号旅客数据集13811.2 使用Pandas DataFrame读取数据并进行预处理14011.3 使用Pandas DataFrame进行数据预处理14211.4 将DataFrame转换为Array14311.5 将ndarray特征字段进行标准化14511.6 将数据分为训练数据与测试数据14511.7 结论147第12章 Keras多层感知器预测泰坦尼克号上旅客的生存概率14812.1 数据预处理14912.2 建立模型15012.3 开始训练15212.4 评估模型准确率15512.5 加入《泰坦尼克号》电影中Jack与Rose的数据15612.6 进行预测15712.7 找出泰坦尼克号背后的感人故事15812.8 结论160第13章 IMDb网络电影数据集与自然语言处理16113.1 Keras自然语言处理介绍16313.2 下载IMDb数据集16713.3 读取IMDb数据16913.4 查看IMDb数据17213.5 建立token17313.6 使用token将“影评文字”转换成“数字列表”17413.7 让转换后的数字长度相同17413.8 结论176第14章 Keras建立MLP、RNN、LSTM模型进行IMDb情感分析17714.1 建立多层感知器模型进行IMDb情感分析17814.2 数据预处理17914.3 加入嵌入层18014.4 建立多层感知器模型18114.5 训练模型18214.6 评估模型准确率18414.7 进行预测18514.8 查看测试数据预测结果18514.9 查看《美女与野兽》的影评18714.10 预测《美女与野兽》的影评是正面或负面的19014.11 文字处理时使用较大的字典提取更多文字19214.12 RNN模型介绍19314.13 使用Keras RNN模型进行IMDb情感分析19514.14 LSTM模型介绍19714.15 使用Keras LSTM模型进行IMDb情感分析19914.16 结论200第15章 TensorFlow程序设计模式20115.1 建立“计算图”20215.2 执行“计算图”20415.3 TensorFlow placeholder20615.4 TensorFlow数值运算方法介绍20715.5 TensorBoard20815.6 建立一维与二维张量21115.7 矩阵基本运算21215.8 结论214第16章 以TensorFlow张量运算仿真神经网络的运行21516.1 以矩阵运算仿真神经网络21616.2 以placeholder传入X值22016.3 创建layer函数以矩阵运算仿真神经网络22216.4 建立layer_debug函数显示权重与偏差22516.5 结论226第17章 TensorFlow MNIST手写数字识别数据集22717.1 下载MNIST数据22817.2 查看训练数据22917.3 查看多项训练数据images与labels23217.4 批次读取MNIST数据23417.5 结论235第18章 TensorFlow多层感知器识别手写数字23618.1 TensorFlow建立多层感知器辨识手写数字的介绍23718.2 数据准备23918.3 建立模型23918.4 定义训练方式24218.5 定义评估模型准确率的方式24318.6 进行训练24418.7 评估模型准确率24918.8 进行预测24918.9 隐藏层加入更多神经元25018.10 建立包含两个隐藏层的多层感知器模型25118.11 结论252第19章 TensorFlow卷积神经网络识别手写数字25319.1 卷积神经网络简介25419.2 进行数据预处理25519.3 建立共享函数25619.4 建立模型25819.5 定义训练方式26419.6 定义评估模型准确率的方式26419.7 进行训练26519.8 评估模型准确率26619.9 进行预测26719.10 TensorBoard26819.11 结论270第20章 TensorFlow GPU版本的安装27120.1 确认显卡是否支持CUDA27320.2 安装CUDA27420.3 安装cuDNN27820.4 将cudnn64_5.dll存放的位置加入Path环境变量28120.5 在Anaconda建立TensorFlow GPU虚拟环境28320.6 安装TensorFlow GPU版本28520.7 安装Keras28620.8 结论286第21章 使用GPU加快TensorFlow与Keras训练28721.1 启动TensorFlow GPU环境28821.2 测试GPU与CPU执行性能29321.3 超出显卡内存的29621.4 以多层感知器的实际范例比较CPU与GPU的执行速度29721.5 以CNN的实际范例比较CPU与GPU的执行速度29921.6 以Keras Cifar CNN的实际范例比较CPU与GPU的执行速度30221.7 结论304附录A 本书范例程序的下载与安装说明305A.1 在Windows系统中下载与安装范例程序306A.2 在Ubuntu Linux系统中下载与安装范例程序310
