更新时间：2021-10-27 13:06:05
封面
版权页
内容介绍
作者简介
推荐语
前言
第1章 准备深度学习的环境
1.1 机器学习与深度学习
1.2 主流深度学习框架介绍
1.2.1 TensorFlow
1.2.2 Keras
1.2.3 Caffe
1.2.4 PyTorch
1.2.5 Theano
1.2.6 CNTK
1.2.7 MXNet
1.2.8 ONNX
1.3 配置深度学习的软件环境
1.3.1 安装Anaconda
1.3.2 在Anaconda中安装TensorFlow
1.3.3 在Anaconda中安装Keras
1.3.4 安装R和RStudio
1.3.5 在RStudio中安装TensorFlow
1.3.6 在RStudio中安装Keras
1.4 Keras构建深度学习模型
1.4.1 MNIST数据集
1.4.2 数据预处理
1.4.3 模型建立及训练
1.4.4 模型评估及预测
1.5 本章小结
第2章 深度学习简介
2.1 神经网络基础
2.1.1 神经元
2.1.2 激活函数
2.1.3 神经网络的拓扑结构
2.1.4 神经网络的主要类型
2.1.5 损失函数
2.2 优化网络的方法
2.2.1 梯度下降算法
2.2.2 自适应学习率算法
2.3 防止模型过拟合
2.3.1 过拟合与欠拟合
2.3.2 正则化的方法
2.3.3 数据拆分
2.3.4 Dropout
2.4 综合实例：电信流失用户预测
2.4.1 数据预处理
2.4.2 选择优化器
2.4.3 增加内部隐藏层神经元数量
2.4.4 采用正则化避免过拟合
2.5 本章小结
第3章 如何用Keras开发深度学习模型
3.1 Keras模型的生命周期
3.1.1 数据预处理
3.1.2 定义网络
3.1.3 编译网络
3.1.4 训练网络
3.1.5 评估网络
3.1.6 做出预测
3.2 Keras模型
3.2.1 序贯模型
3.2.2 使用函数式API创建的模型
3.3 模型可视化
3.3.1 网络拓扑可视化
3.3.2 模型训练可视化
3.3.3 TensorBoard可视化
3.4 Keras中的回调函数
3.4.1 回调函数介绍
3.3.2 使用回调函数寻找最优模型
3.5 模型保存及序列化
3.5.1 使用HDF5格式保存模型
3.5.2 使用JSON格式保存模型
3.5.3 使用YAML格式保存模型
3.6 本章小结
第4章 深度学习的图像数据预处理
4.1 图像处理EBImage包
4.1.1 图像读取与保存
4.1.2 图像对象和矩阵
4.1.3 色彩管理
4.1.4 图像处理
4.1.5 空间变换
4.1.6 图像滤波
4.1.7 形态运算
4.1.8 图像分割
4.2 利用Keras进行图像预处理
4.2.1 图像读取与保存
4.2.2 图像生成器image_data_generator
4.2.3 image_data_generator实例
4.3 综合实例：对彩色花图像进行分类
4.3.1 图像数据读取及探索
4.3.2 MLP模型建立及预测
4.3.3 CNN模型建立与预测
4.3.4 利用数据增强改善CNN模型
4.4 本章小结
第5章 全连接神经网络的经典实例
5.1 回归问题实例：波士顿房价预测
5.1.1 波士顿房价数据描述
5.1.2 波士顿房价数据预处理
5.1.3 波士顿房价预测
5.2 多分类实例：鸢尾花分类
