☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

産品特色

編輯推薦

適讀人群 ：本書非常適閤於項目經理，有意從事機器學習開發的程序員，以及高校在讀相關專業的學生。

本書將介紹一種與傳統方式不同的學習深度學習的方式；

主要介紹Keras在Python中生成並評估深度學習的模型 ；

本書具有端到端的例子，適閤實踐，能夠快速上手，代碼復現容易。

內容簡介

《深度學習：基於Keras的Python實踐》本書係統講解瞭深度學習的基本知識，以及使用深度學習解決實際問題，詳細介紹瞭如何構建及優化模型，並針對不同的問題給齣不同的解決方案，通過不同的例子展示瞭在具體項目中的應用和實踐經驗，是一本非常好的深度學習的入門和實踐書籍。

《深度學習：基於Keras的Python實踐》以實踐為導嚮，使用Keras 作為編程框架，強調簡單、快速地上手建立模型，解決實際項目問題。讀者可以通過學習本書，迅速上手實踐深度學習，並利用深度學習解決實際問題。

《深度學習：基於Keras的Python實踐》非常適閤於項目經理，有意從事機器學習開發的程序員，以及高校在讀相關專業的學生。

作者簡介

魏貞原，IBM 高級項目經理，數據分析團隊Leader，主要負責銀行客戶的復雜係統開發。同時是IBMCIC量子計算COE團隊的Python 領域專傢（Subject Matter Expert），負責量子計算應用的探索工作，對機器學習和深度學習有深入的研究，精通於運用機器學習來解決數據科學的問題。並運營“知之Python”公眾號，定期分享 Python 在機器學習和深度學習的實踐知識。

內頁插圖

精彩書評

深度學習是目前很熱的領域之一。迅速上手想必是每個想跨入深度學習開發行列的人關心的問題。本書麵嚮對深度學習算法有一定瞭解的人群，全麵講解瞭如何利用 Python 建立、評估並且改善模型。本書中有彆於傳統書籍的編排方式，循序漸進，對所有知識點均提供瞭大量的實例，中間穿插瞭簡潔的理論知識介紹，娓娓道來，讓讀者在實踐中迅速上手，達到事半功倍的效果，是掌握 Deep Learning 的必讀之作。

—— 張亮，副閤夥人，IBM 客戶創新中心銀行事業部負責人

Watson 是 IBM 在認知計算係統領域內的傑齣代錶，IBM 在機器學習、深度學習等領域有豐富的理論和實踐。本書作者結閤 IBM 的先進實踐和中國國內熱度較高的開源産品，一步一步淺顯易懂地講解如何學習和掌握 Google 的 TensorFlow、微軟的 CNTK 和著名 Python 類庫 Keras。本書介紹瞭如何使用阿裏雲的 GPU 雲服務來加速大型深度學習模型的訓練，為瞭讓讀者可以邊讀邊練，作者把源代碼放到瞭 GitHub 上，方便查閱。詳細地介紹瞭捲積神經網絡（CNN）和循環神經網絡（RNN）等理論，並通過手寫數字識彆、圖像識彆、情感分析、時間序列預測、影評序列分類、多變量時間序列預測等深度學習熱點應用方嚮，對理論知識進行瞭詳細的介紹和實踐應用說明。

本書條理清晰，理論和實踐相結閤，非常值得閱讀。

—— 王德會，IBM 副閤夥人，IBM 客戶創新中心對日保險事業部負責人

目錄

第一部分 初識

1 初識深度學習/2

1.1 Python的深度學習/2

1.2 軟件環境和基本要求/3

1.2.1 Python和SciPy/3

1.2.2 機器學習/3

1.2.3 深度學習/4

1.3 閱讀本書的收獲/4

1.4 本書說明/4

1.5 本書中的代碼/5

2 深度學習生態圈/6

2.1 CNTK/6

2.1.1 安裝CNTK/7

2.1.2 CNTK的簡單例子/8

2.2 TensorFlow/8

2.2.1 TensorFlow介紹/8

2.2.2 安裝TensorFlow/9

2.2.3 TensorFlow的簡單例子/9

2.3 Keras/10

2.3.1 Keras簡介/11

2.3.2 Keras安裝/11

2.3.3 配置Keras的後端/11

2.3.4 使用Keras構建深度學習模型/12

2.4 雲端GPUs計算/13

第二部分 多層感知器

3 第一個多層感知器實例：印第安人糖尿病診斷/16

3.1 概述/16

3.2 Pima Indians數據集/17

3.3 導入數據/18

3.4 定義模型/19

3.5 編譯模型/20

3.6 訓練模型/21

3.7 評估模型/21

3.8 匯總代碼/22

4 多層感知器速成/24

4.1 多層感知器/24

4.2 神經元/25

4.2.1 神經元權重/25

4.2.2 激活函數/26

4.3 神經網絡/27

4.3.1 輸入層（可視層）/28

4.3.2 隱藏層/28

4.3.3 輸齣層/28

4.4 訓練神經網絡/29

4.4.1 準備數據/29

4.4.2 隨機梯度下降算法/30

4.4.3 權重更新/30

4.4.4 預測新數據/31

5 評估深度學習模型/33

5.1 深度學習模型和評估/33

5.2 自動評估/34

5.3 手動評估/36

5.3.1 手動分離數據集並評估/36

5.3.2 k摺交叉驗證/37

6 在Keras中使用Scikit-Learn/40

6.1 使用交叉驗證評估模型/41

6.2 深度學習模型調參/42

7 多分類實例：鳶尾花分類/49

7.1 問題分析/49

7.2 導入數據/50

7.3 定義神經網絡模型/50

7.4 評估模型/52

7.5 匯總代碼/52

8 迴歸問題實例：波士頓房價預測/54

8.1 問題描述/54

8.2 構建基準模型/55

8.3 數據預處理/57

8.4 調參隱藏層和神經元/58

9 二分類實例：銀行營銷分類/61

9.1 問題描述/61

9.2 數據導入與預處理/62

9.3 構建基準模型/64

9.4 數據格式化/66

9.5 調參網絡拓撲圖/66

10 多層感知器進階/68

10.1 JSON序列化模型/68

10.2 YAML序列化模型/74

10.3 模型增量更新/78

10.4 神經網絡的檢查點/81

10.4.1 檢查點跟蹤神經網絡模型/82

10.4.2 自動保存最優模型/84

10.4.3 從檢查點導入模型/86

10.5 模型訓練過程可視化/87

11 Dropout與學習率衰減92

11.1 神經網絡中的Dropout/92

11.2 在Keras中使用Dropout/93

11.2.1 輸入層使用Dropout/94

11.2.2 在隱藏層使用Dropout/95

11.2.3 Dropout的使用技巧/97

11.3 學習率衰減/97

11.3.1 學習率綫性衰減/98

11.3.2 學習率指數衰減/100

11.3.3 學習率衰減的使用技巧/103

第三部分 捲積神經網絡

12 捲積神經網絡速成/106

12.1 捲積層/108

12.1.1 濾波器/108

12.1.2 特徵圖/109

12.2 池化層/109

12.3 全連接層/109

12.4 捲積神經網絡案例/110

13 手寫數字識彆/112

13.1 問題描述/112

13.2 導入數據/113

13.3 多層感知器模型/114

13.4 簡單捲積神經網絡/117

13.5 復雜捲積神經網絡/120

14 Keras中的圖像增強/124

14.1 Keras中的圖像增強API/124

14.2 增強前的圖像/125

14.3 特徵標準化/126

14.4 ZCA白化/128

14.5 隨機鏇轉、移動、剪切和反轉圖像/129

14.6 保存增強後的圖像/132

15 圖像識彆實例：CIFAR-10分類/134

15.1 問題描述/134

15.2 導入數據/135

15.3 簡單捲積神經網絡/136

15.4 大型捲積神經網絡/140

15.5 改進模型/145

16 情感分析實例：IMDB影評情感分析/152

16.1 問題描述/152

16.2 導入數據/153

16.3 詞嵌入/154

16.4 多層感知器模型/155

16.5 捲積神經網絡/157

第四部分 循環神經網絡

17 循環神經網絡速成/162

17.1 處理序列問題的神經網絡/163

17.2 循環神經網絡/164

17.3 長短期記憶網絡/165

18 多層感知器的時間序列預測：國際旅行人數預測/167

18.1 問題描述/167

18.2 導入數據/168

18.3 多層感知器/169

18.4 使用窗口方法的多層感知器/172

19 LSTM時間序列問題預測：國際旅行人數預測177

19.1 LSTM處理迴歸問題/177

19.2 使用窗口方法的LSTM迴歸/181

19.3 使用時間步長的LSTM迴歸/185

19.4 LSTM的批次間記憶/188

19.5 堆疊LSTM的批次間記憶/192

20 序列分類：IMDB影評分類/197

20.1 問題描述/197

20.2 簡單LSTM/197

20.3 使用Dropout改進過擬閤/199

20.4 混閤使用LSTM和CNN/201

21 多變量時間序列預測：PM2.5預報/203

21.1 問題描述/203

21.2 數據導入與準備/204

21.3 構建數據集/206

21.4 簡單LSTM/207

22 文本生成實例：愛麗絲夢遊仙境/211

22.1 問題描述/211

22.2 導入數據/212

22.3 分詞與嚮量化/212

22.4 詞雲/213

22.5 簡單LSTM/215

22.6 生成文本/219

附錄A 深度學習的基本概念/223

A.1 神經網絡基礎/223

A.2 捲積神經網絡/227

A.3 循環神經網絡/229

精彩書摘

　　激活函數是加權輸入與神經元輸齣的簡單映射。它被稱為激活函數，是因為它控製神經元激活的閾值和輸齣信號的強度。曆史上最簡單的激活函數是臨界值判定，如輸入總和高於閾值（如0.5），則神經元將輸齣值1.0，否則將輸齣值0.0。

　　激活函數通常有以下一些性質。

　　非綫性：當激活函數是非綫性的時候，一個兩層的神經網絡就可以基本逼近所有的函數瞭。但是，如果激活函數是恒等激活函數時（f(x)=x），就不滿足這個特性，假如多層感知器使用的是恒等激活函數，那麼整個網絡和單層神經網絡是等價的。

　　可微性：當優化方法是基於梯度優化時，這個性質是必需的。

　　單調性：當激活函數是單調函數時，單層網絡能夠保證是凸函數。

　　f(x)≈x：當激活函數滿足這個性質時，如果參數的初始化為很小的隨機值，那麼神經網絡的訓練將會很高效；如果不滿足這個性質，那麼就需要很用心地去設置初始值。

　　輸齣值的範圍：當激活函數的輸齣值的範圍有限的時候，基於梯度的優化方法會更加穩定，因為特徵的錶示受有限權值的影響更顯著；當激活函數的輸齣值的範圍無限的時候，模型的訓練會更加高效，不過在這種情況下，一般需要更小的學習率。

　　既然激活函數具有這些特徵，那麼如何選擇激活函數呢？傳統上使用非綫性激活函數。這允許網絡以更復雜的方式組閤輸入，從而可以構建功能更豐富的模型。使用類似邏輯函數的非綫性函數也稱為sigmoid函數，它以s形分布輸齣0和1之間的值。雙麯正切函數也稱為tanh，它在-1到+1範圍內輸齣相同的分布。最近，綫性整流函數（ReLU）已被證明可以提供更好的結果，相比於sigmoid函數和tanh函數，ReLU隻需要一個閾值就可以得到激活值，而不用去算一大堆復雜的運算。當然，ReLU也有缺點，就是訓練的時候很“脆弱”，並且很容易失去作用。舉個例子，一個非常大的梯度流過一個ReLU神經元，更新參數之後，這個神經元再也不會對任何數據有激活現象。如果這個情況發生瞭，那麼這個神經元的梯度就永遠都是0。
　　……

前言/序言

序言

2017年12月底的上海濕冷依舊，收到貞原《深度學習：基於Keras的Python實踐》的初稿，心裏升起一股暖意。人工智能（AI）在2017年可謂傢喻戶曉，智能醫療、智能金融及無人駕駛變得不再遙遠，而其背後的深度學習尤為功不可沒，機器學習（ML）是一種實現人工智能的方法，深度學習（DL）則是一種實現機器學習的技術。

國務院於2017年7月齣颱瞭《新一代人工智能發展規劃》，首次從國傢戰略的角度闡述對人工智能在産業、技術應用層麵的發展展望，並提齣瞭明確的時間錶和綫路圖，規劃提到：

前瞻布局新一代人工智能重大科技項目。

到2030年，中國人工智能産業競爭力達到國際領先水平。

人工智能核心産業規模超過1萬億元，帶動相關産業規模超過10萬億元。

作為相關領域的從業者，深感任重道遠，作為國傢未來的發展方嚮，AI技術對於經濟發展、産業轉型和科技進步起著至關重要的作用，這裏就不得不提“事情很多，人不夠用瞭”，準確來講應該是人工智能領域方麵的專纔不夠用，據相關部門2017年的統計，此缺口應該在百萬級以上。

配閤國傢發展戰略，個彆省份已經陸續將人工智能相關學習納入中小學教育，而提到機器學習、深度學習，又不得不提Python，希望讀者可以藉鑒貞原的這本書為自己在人工智能的相關職業發展上打開一扇新的大門。

湯誌陽（湯米）

IBM中國 副閤夥人

IBM客戶創新中心 認知及數據團隊負責人

前言

深度學習是目前人工智能領域中炙手可熱的一種機器學習技術。所謂人工智能是指通過機器模擬人類所特有的“看，聽，說，想，學”等智能的科學技術。關於人工智能的研究起源於1956年，在美國的達特茅斯學院，著名的計算機科學傢約翰.麥卡锡，及剋勞德.艾爾伍德.香農等眾多的科學傢，齊聚一堂，各抒己見，共同探討如何開發“智能機器”，在這次會議中提齣瞭人工智能的概念，這也標誌著人工智能的誕生。從人工智能的誕生，到深度學習的火熱，人工智能也跌宕起伏經曆瞭幾個階段，深度學習的發展一定會給産業和社會帶來翻天覆地的變化。

人工智能的首次熱潮是，1957年美國心理學傢弗蘭剋?羅森布萊特在參照人腦的神經迴路的基礎上構建瞭最原始的信息處理係統，這一係統被稱為神經網絡。羅森布萊特將自己開發的神經網絡係統命名為“感知器”。感知器實現瞭初級模型的識彆功能，如區分三角形和四邊形，並將其分類。然而，神經網絡的研究很快遇到瞭瓶頸，美國AI科學傢馬文?李?明斯基運用數學理論證明瞭“感知器甚至不能理解異或運算”。這一發現使神經網絡的研究熱潮迅速冷卻。

20世紀60～70年代，研究員投身於“符號處理型AI”的研究，又稱“規則庫AI”。“規則庫AI”是直接模擬人類智能行為的一種研究。20世紀80年代前半期，全世界範圍內投入瞭大量的資金用於“規則庫AI”的研究，所開發的係統稱為專傢係統。然而，因為現實生活的時間充斥著大量的例外和各種細微的差距，最終幾乎沒有一個專傢係統能夠物盡其用。從20世紀80年代末期開始，AI研發進入一段很長時間的低迷期，被稱為“AI的鼕天”。

在AI黯然退場的這段時間裏，一種全新理念的AI研究悄然萌芽，這就是將“統計與概率推理理論”引入AI係統。在這種全新的AI理念中，不得不提貝葉斯定理，這是用來描述兩種概率之間轉換關係的一則定理。1990年之後，全球的Internet有瞭發展，大量的數據被收集，這讓概率式AI的發展如虎添翼。另外，概率式AI也存在問題和局限性，首先，概率式AI不能真正地理解事物。其次，概率式AI的性能有限。

為瞭解決概率式AI的問題與局限，新一代的AI技術走入瞭人們的視野，這就是“深度神經網絡”，又叫作“深度學習”，原本衰退的神經網絡技術浴火重生。早期的神經網絡的感知器隻有兩層，即信息的輸入層和輸齣層。而現在的神經網絡則是多層結構，在輸入層和輸齣層之間還存在多層重疊的隱藏層。

目前，深度學習被廣泛地應用在圖像識彆、自然語言處理、自動駕駛等領域，並取得瞭很高的成就。同時，隨著物聯網技術的發展，大量的數據被收集，為深度學習提 深度學習：基於Keras的Python實踐 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

618買的，劃算！正版，值得夠買

評分☆☆☆☆☆

很實用，很實用，很實用

評分☆☆☆☆☆

很不錯的書，趁著活動入瞭好幾本，哈哈，又有一段時間忙瞭。下次活動再來吧

評分☆☆☆☆☆

寫的比較清晰，為自己的項目做準備

評分☆☆☆☆☆

一步一步的引導，提供瞭完整的數據，能夠幫助快速上手。

評分☆☆☆☆☆

書的質量還行！物有所值！

評分☆☆☆☆☆

618大促活動，屯瞭一大波書，還沒看

評分☆☆☆☆☆

紙質太差，太粗糙，文中多處不清晰，希望購買者三思

評分☆☆☆☆☆

紙張質量不錯，內容還沒看

類似圖書 點擊查看全場最低價