Keras與深度學習實戰(zhàn)

定　價：￥59.80

作　者：	黃可坤，張良均
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥41.86)

ISBN：	9787115619792	出版時間：	2023-09-01	包裝：	平裝
開本：	16開	頁數(shù)：	1	字數(shù)：

內(nèi)容簡介

　　本書以Keras深度學習的常用技術與真實案例相結(jié)合的方式，深入淺出地介紹使用Keras進行深度學習的重要內(nèi)容。全書共7章，內(nèi)容包括深度學習概述、Keras深度學習通用流程、Keras深度學習基礎、基于RetinaNet的目標檢測、基于LSTM網(wǎng)絡的詩歌生成、基于CycleGAN的圖像風格轉(zhuǎn)換、基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)詩歌生成等。本書大部分章包含實訓和課后習題，通過練習和操作實踐，讀者可以鞏固所學的內(nèi)容。本書可以作為高校數(shù)據(jù)科學或人工智能相關專業(yè)的教材，也可作為深度學習愛好者的自學用書。

作者簡介

　　黃可坤，男，嘉應學院教授，現(xiàn)任數(shù)學學院院長。主要從事模式識別方面的研究，在IEEE TNNLS， TGRS， TIP， TCYB等期刊發(fā)表論文20多篇，主持2項深度學習相關的自然科學基金項目。主講《深度學習》《模式識別》《數(shù)學建模》等課程。被評為全國數(shù)學建模競賽指導教師，廣東省南粵教師，梅州市科技工作者等。張良均大數(shù)據(jù)專家，廣東泰迪智能科技股份有限公司董事長，科技部入庫技術專家，全國專業(yè)學位水平評估專家，教育與考試中心入庫專家，中國工業(yè)與應用數(shù)學學會理事，廣東省工業(yè)與應用數(shù)學學會副理事長，廣東省高等職業(yè)教育教學指導委員會委員，華南師范大學、中南財經(jīng)政法大學等40余所高校校外碩導或兼職教授，泰迪杯全國數(shù)據(jù)挖掘挑戰(zhàn)賽發(fā)起人。曾在外重要學術刊物上發(fā)表學術論文10余篇，編寫圖書專著60余部，其中獲普通高等教育“十一五”規(guī)劃教材一部，“十三五”職業(yè)教育規(guī)劃教材一部；參與標準建設4項，主持課題1項、省部級課題4項。獲得SAS、SPSS數(shù)據(jù)挖掘認證及Hadoop開發(fā)工程師證書，具有信訪、電力、電信、銀行、制造企業(yè)、電子商務和電子政務的項目經(jīng)驗和行業(yè)背景，并榮獲中國產(chǎn)學研合作促進獎、中國南方電網(wǎng)公司發(fā)明專利一等獎、廣東省農(nóng)業(yè)技術推廣二等獎、廣州市荔灣區(qū)科學技術進步獎。

圖書目錄

第 1章　深度學習概述　1
1.1　深度學習簡介　1
1.1.1　深度學習的定義　1
1.1.2　深度學習常見應用　2
1.2　深度學習與應用領域　9
1.2.1　深度學習與計算機視覺　9
1.2.2　深度學習與自然語言處理　10
1.2.3　深度學習與語音識別　11
1.2.4　深度學習與機器學習　11
1.2.5　深度學習與人工智能　12
1.3　Keras簡介　13
1.3.1　各深度學習框架對比　13
1.3.2　Keras與TensorFlow的關系　15
1.3.3　Keras常見接口　15
1.3.4　Keras特性　17
1.3.5　Keras安裝　17
1.3.6　Keras中的預訓練模型　20
小結(jié)　22
課后習題　23
第　2章 Keras深度學習通用流程　24
2.1　基于全連接網(wǎng)絡的手寫數(shù)字識別實例　24
2.2　數(shù)據(jù)加載與預處理　28
2.2.1　數(shù)據(jù)加載　28
2.2.2　數(shù)據(jù)預處理　31
2.3　構(gòu)建網(wǎng)絡　39
2.3.1　模型生成　39
2.3.2　核心層　40
2.3.3　自定義層　47
2.4　訓練網(wǎng)絡　51
2.4.1　優(yōu)化器　51
2.4.2　損失函數(shù)　54
2.4.3　訓練方法　60
2.5　性能評估　64
2.5.1　性能監(jiān)控　64
2.5.2　回調(diào)檢查　69
2.6　模型的保存與加載　77
實訓1　利用Keras進行數(shù)據(jù)加載與增強　79
實訓2　利用Keras構(gòu)建網(wǎng)絡并訓練　80
小結(jié)　80
課后習題　81
第3章　Keras深度學習基礎　82
3.1　卷積神經(jīng)網(wǎng)絡基礎　82
3.1.1　卷積神經(jīng)網(wǎng)絡中的常用網(wǎng)絡層　83
3.1.2　基于卷積神經(jīng)網(wǎng)絡的手寫數(shù)字識別實例　96
3.1.3　常用卷積神經(jīng)網(wǎng)絡算法及其結(jié)構(gòu)　99
3.2　循環(huán)神經(jīng)網(wǎng)絡　106
3.2.1　循環(huán)神經(jīng)網(wǎng)絡中的常用網(wǎng)絡層　108
3.2.2　基于循環(huán)神經(jīng)網(wǎng)絡和Self Attention網(wǎng)絡的新聞摘要分類實例　123
3.3　生成對抗網(wǎng)絡　131
3.3.1　常用生成對抗網(wǎng)絡算法及其結(jié)構(gòu)　131
3.3.2　基于生成對抗網(wǎng)絡的手寫數(shù)字生成實例　135
實訓1　卷積神經(jīng)網(wǎng)絡　150
實訓2　循環(huán)神經(jīng)網(wǎng)絡　151
實訓3　生成對抗網(wǎng)絡　151
小結(jié)　152
課后習題　152
第4章　基于RetinaNet的目標檢測　154
4.1　算法簡介與目標分析　154
4.1.1　背景介紹　154
4.1.2　目標檢測算法概述　155
4.1.3　目標檢測相關理論介紹　156
4.1.4　分析目標　158
4.1.5　項目工程結(jié)構(gòu)　158
4.2　數(shù)據(jù)準備　159
4.2.1　數(shù)據(jù)集下載　159
4.2.2　圖像預處理　160
4.2.3　數(shù)據(jù)集編碼　166
4.2.4　數(shù)據(jù)集管道設置　171
4.3　構(gòu)建網(wǎng)絡　171
4.3.1　RetinaNet的網(wǎng)絡結(jié)構(gòu)　172
4.3.2　構(gòu)建RetinaNet　173
4.4　訓練網(wǎng)絡　177
4.4.1　定義損失函數(shù)　177
4.4.2　訓練網(wǎng)絡　180
4.4.3　加載模型測試點　181
4.5　模型預測　182
4.5.1　進行解碼與非極大值抑制處理　182
4.5.2　預測結(jié)果　184
實訓　使用VOC2007數(shù)據(jù)集訓練和測試RetinaNet　186
小結(jié)　186
課后習題　186
第5章　基于LSTM網(wǎng)絡的詩歌生成　187
5.1　目標分析　187
5.1.1　背景介紹　187
5.1.2　分析目標　188
5.1.3　項目工程結(jié)構(gòu)　189
5.2　文本預處理　189
5.2.1　標識詩句結(jié)束點　189
5.2.2　去除低頻詞　190
5.2.3　構(gòu)建映射　191
5.3　構(gòu)建網(wǎng)絡　191
5.3.1　設置配置項參數(shù)　191
5.3.2　生成訓練數(shù)據(jù)　192
5.3.3　構(gòu)建LSTM網(wǎng)絡　194
5.4　訓練網(wǎng)絡　194
5.4.1　查看學習情況　194
5.4.2　生成詩句　195
5.4.3　訓練網(wǎng)絡　196
5.5　結(jié)果分析　197
實訓　基于LSTM網(wǎng)絡的文本生成　199
小結(jié)　199
課后習題　199
第6章　基于CycleGAN的圖像風格轉(zhuǎn)換　200
6.1　目標分析　200
6.1.1　背景介紹　200
6.1.2　分析目標　201
6.1.3　項目工程結(jié)構(gòu)　201
6.2　數(shù)據(jù)準備　203
6.3　構(gòu)建網(wǎng)絡　205
6.3.1　定義恒等映射網(wǎng)絡函數(shù)　206
6.3.2　定義殘差網(wǎng)絡函數(shù)　207
6.3.3　定義生成器函數(shù)　208
6.3.4　定義判別器函數(shù)　211
6.4　訓練網(wǎng)絡　212
6.4.1　定義訓練過程函數(shù)　212
6.4.2　定義生成圖像函數(shù)　214
6.5　結(jié)果分析　215
實訓　基于CycleGAN實現(xiàn)莫奈畫作與現(xiàn)實風景圖像的風格轉(zhuǎn)換　217
小結(jié)　217
課后習題　218
第7章　基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)詩歌生成　219
7.1　平臺簡介　219
7.1.1　共享庫　220
7.1.2　數(shù)據(jù)連接　220
7.1.3　數(shù)據(jù)集　221
7.1.4　我的工程　222
7.1.5　個人組件　224
7.2　實現(xiàn)詩歌生成　224
7.2.1　配置數(shù)據(jù)源　225
7.2.2　文本預處理　227
7.2.3　構(gòu)建網(wǎng)絡　227
7.2.4　訓練網(wǎng)絡　230
7.2.5　結(jié)果分析　234
實訓　實現(xiàn)基于TipDM大數(shù)據(jù)挖掘模平臺的文本生成　235
小結(jié)　236
課后習題　236