返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 正版 Keras深度学习 基于Python (韩)金兑映著 人民邮电出版社 97
  • 新华书店旗下自营,正版全新
    • 作者: (韩)金兑映著著 | (韩)金兑映著编 | (韩)金兑映著译 | (韩)金兑映著绘
    • 出版社: 人民邮电出版社
    • 出版时间:2019-09-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    美阅书店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: (韩)金兑映著著| (韩)金兑映著编| (韩)金兑映著译| (韩)金兑映著绘
    • 出版社:人民邮电出版社
    • 出版时间:2019-09-01
    • 版次:1
    • 印次:1
    • 字数:389000
    • 页数:254
    • 开本:24开
    • ISBN:9787115532619
    • 版权提供:人民邮电出版社
    • 作者:(韩)金兑映著
    • 著:(韩)金兑映著
    • 装帧:平装
    • 印次:1
    • 定价:99.00
    • ISBN:9787115532619
    • 出版社:人民邮电出版社
    • 开本:24开
    • 印刷时间:暂无
    • 语种:中文
    • 出版时间:2019-09-01
    • 页数:254
    • 外部编号:9758396
    • 版次:1
    • 成品尺寸:暂无

    章走进Keras1

    1.1关于Keras.1

    1.1.1为什么是Keras1

    1.1.2Keras的主要特征2

    1.1.3Keras的基本概念2

    1.2Mac版Keras安装.4

    1.2.1创建项目目录.5

    1.2.2创建虚拟开发环境.5

    1.2.3安装基于Web的Python开发环境Jupyter Notebook.6

    1.2.4安装主要的包.6

    1.2.5安装深度学习库.7

    1.2.6测试安装环境.7

    1.2.7更换深度学习引擎.10

    1.2.8重启.10

    1.2.9解决错误.10

    1.3Windows版Keras安装.12

    1.3.1安装Anaconda.12

    1.3.2创建项目目录.14

    1.3.3创建虚拟环境.15

    1.3.4安装基于Web的Python开发环境Jupyter Notebook.16

    1.3.5安装主要的包.17

    1.3.6安装深度学习库.17

    1.3.7测试安装环境.18

    1.3.8重启.21

    1.3.9解决错误.21

    第2章深度学习概念.25

    2.1数据集简介.25

    2.1.1训练集、验证集和测试集.25

    2.1.2Q&A29

    2.2关于训练过程.29

    2.2.1Batchsize与训练周期30

    2.2.2Q&A32

    2.3查看训练过程.33

    2.3.1调用history函数.33

    2.3.2启动TensorBoard.36

    2.3.3编写回调函数.39

    2.3.4Q&A43

    2.4训练早停.43

    2.4.1过拟合模型.43

    2.4.2设置早停.46

    2.4.3Q&A51

    2.5模型评价.52

    2.5.1分类.53

    2.5.2检测与搜索.60

    2.5.3分离.65

    2.6查看/保存/调用训练模型.68

    2.6.1查看简易模型.69

    2.6.2实操中的深度学习系统.70

    2.6.3保存已训练模型.71

    2.6.4查看模型架构.73

    2.6.5调用已训练模型.73

    2.6.6Q&A74

    第3章分层概念76

    3.1多层感知层介绍.76

    3.1.1模仿人类神经系统的神经元.76

    3.1.2连接输入/输出的Dense层.78

    3.2搭建多层感知神经网模型.82

    3.2.1定义问题.83

    3.2.2准备数据.83

    3.2.3生成数据集.84

    3.2.4搭建模型.85

    3.2.5设置模型训练过程.86

    3.2.6训练模型.86

    3.2.7评价模型.87

    3.2.8全部代码.87

    3.3卷积神经网络分层.89

    3.3.1过滤特征显著的卷积层.89

    3.3.2忽略细微变化的优选池化层.95

    3.3.3将视频一维化的Flatten层.96

    3.3.4尝试搭建模型.97

    3.4搭建卷积神经网络模型.101

    3.4.1定义问题.101

    3.4.2准备数据.102

    3.4.3生成数据集.103

    3.4.4搭建模型.104

    3.4.5设置模型训练过程.105

    3.4.6训练模型.105

    3.4.7评价模型.106

    3.4.8使用模型.107

    3.4.9全部代码.107

    3.5卷积神经网络模型数据增强.109

    3.5.1现实问题.110

    3.5.2查看原有模型结果.111

    3.5.3数据增强.113

    3.5.4查看改善后的模型结果.116

    3.6循环神经网络分层.119

    3.7搭建循环神经网络模型.121

    3.7.1准备序列数据.121

    3.7.2生成数据集.122

    3.7.3训练过程.123

    3.7.4预测过程.124

    3.7.5多层感知器神经网络模型.126

    3.7.6标准LSTM模型131

    3.7.7Stateful LSTM模型.136

    3.7.8多种输入属性的模型结构.141

    第4章示例应用148

    4.1输入–预测数值模型示例.148

    4.1.1准备数据集.148

    4.1.2准备层.149

    4.1.3模型准备.149

    4.1.4全部代码.152

    4.1.5训练结果比较.156

    4.2输入数值二元分类模型示例.157

    4.2.1准备数据集.157

    4.2.2准备层.159

    4.2.3准备模型.159

    4.2.4全部代码.161

    4.2.5训练结果比较.164

    4.3输入数值多元分类问题模型示例.165

    4.3.1准备数据集.165

    4.3.2数据预处理.167

    4.3.3.准备层168

    4.3.4准备模型.168

    4.3.5全部代码.170

    4.3.6训练结果比较.174

    4.4输入视频预测数值的模型示例.174

    4.4.1准备数据集.175

    4.4.2准备层.176

    4.4.3准备模型.177

    4.4.4全部代码.178

    4.4.5训练结果比较.184

    4.5输入视频预测二元分类问题的模型示例.185

    4.5.1准备数据集.185

    4.5.2准备层.187

    4.5.3准备模型.187

    4.5.4全部代码.189

    4.5.5训练结果比较.198

    4.6输入视频预测多元分类问题的模型示例.199

    4.6.1准备数据集.200

    4.6.2准备层.201

    4.6.3准备模型.201

    4.6.4全部代码.203

    4.6.5训练结果比较.212

    4.7输入时间序列数据,预测数值的模型示例.213

    4.7.1准备数据集.213

    4.7.2准备层.215

    4.7.3准备模型.215

    4.7.4全部代码.218

    4.7.5训练结果比较.228

    4.7.6Q&A229

    4.8根据输入句子(时间序列数值)预测二元分类问题的模型示例.230

    4.8.1准备数据集.230

    4.8.2准备层.231

    4.8.3准备模型.232

    4.8.4全部代码.235

    4.8.5训练结果比较.241

    4.9输入句子(时间序列数值)预测多元分类问题的模型示例.242

    4.9.1准备数据集.243

    4.9.2准备层.243

    4.9.3准备模型.243

    4.9.4全部代码.246

    4.9.5训练结果比较.253

    金兑映 运营Keras Korea Facebook群组、Keras博客,担任(株)Inspace CTO、K-ICT大数据中心导师,庆熙大学太空探测系博士课程在读。 韩国航空宇宙研究院研究员,韩国科学技术联合研究生院(UST)卫星系统与应用工程硕士,庆北大学电子电气计算机工学院学士。

    本书通过日常生活中常见的乐高模型块, 以简洁易懂的语言介绍了使用Keras时必知的深度学习概念, 提供了可实操的Python源代码, 讲解了能够直观构建并理解深度学习模型的模块示例。

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购