采用Python编写的Keras能够快速准确地训练卷积和递归神经网络，这使得Keras在很短的时间里就成为一个流行的深度学习库。 本书介绍了如何在时下流行的Keras库的帮助下，解决训练深度学习模型时遇到的各种问题。从安装和设置Keras始，展示了如何使用Keras行深度学习；从加载数据到拟合、评估模型获得*性能，逐步解决工作过程中遇到的每一个问题。在本书的帮助下，你可以分别实现卷积神经网络、递归神经网络、生成式对抗网络等。除此之外，本书还讲述了如何训练这些模型以完成图像处理和语言处理的任务。
售 价：¥
纸质售价：¥51.70购买纸书
6.6
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
译者序
审校者简介
前言
第1章 Keras安装
1.1 引言
1.2 在Ubuntu 16.04上安装Keras
1.3 在Docker镜像中使用Jupyter Notebook安装Keras
1.4 在已激活GPU的Ubuntu 16.04上安装Keras
第2章 Keras数据集和模型
2.1 引言
2.2 CIFAR-10数据集
2.3 CIFAR-100数据集
2.4 MNIST数据集
2.5 从CSV文件加载数据
2.6 Keras模型入门
2.7 序贯模型
2.8 共享层模型
2.9 Keras函数API
2.10 Keras函数API——链接层
2.11 使用Keras函数API进行图像分类
第3章 数据预处理、优化和可视化
3.1 图像数据特征标准化
3.2 序列填充
3.3 模型可视化
3.4 优化
3.5 示例通用代码
3.6 随机梯度下降优化法
3.7 Adam优化算法
3.8 AdaDelta优化算法
3.9 使用RMSProp进行优化
第4章 使用不同的Keras层实现分类
4.1 引言
4.2 乳腺癌分类
4.3 垃圾信息检测分类
第5章 卷积神经网络的实现
5.1 引言
5.2 宫颈癌分类
5.3 数字识别
第6章 生成式对抗网络
6.1 引言
6.2 基本的生成式对抗网络
6.3 边界搜索生成式对抗网络
6.4 深度卷积生成式对抗网络
第7章 递归神经网络
7.1 引言
7.2 用于时间序列数据的简单RNN
7.3 时间序列数据的LSTM网络
7.4 使用LSTM进行时间序列预测
7.5 基于LSTM的等长输出序列到序列学习
第8章 使用Keras模型进行自然语言处理
8.1 引言
8.2 词嵌入
8.3 情感分析
第9章 基于Keras模型的文本摘要
9.1 引言
9.2 评论的文本摘要
第10章 强化学习
10.1 引言
10.2 使用Keras进行《CartPole》游戏
10.3 使用竞争DQN算法进行《CartPole》游戏
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
