本書基于當前流行的深度學習框架之一——Keras，從新手的角度出發，詳細講解Keras的原理，力求幫助讀者實現Keras從入門到精通。全書共9章，主要內容包括初識深度學習、深度學習的數據預處理技術、使用Keras開發深度學習模型、卷積神經網絡及圖像分類、循環神經網絡在文本序列中的應用、自編碼器、生成式對抗網絡、模型評估及模型優化，以及深度學習實驗項目。本書內容由淺入深、語言通俗易懂，從基本原理到案例應用、從基礎算法到對復雜模型的剖析，讓讀者在循序漸進的學習中理解Keras。
本書可作為高等院校計算機、通信、大數據等專業相關課程的教材，也可作為人工智能、圖像處理、計算機等方向的科研人員和深度學習技術愛好者的參考書。
1.基于當前流行的深度學習框架之一——Keras，改善教材領域Keras框架知識匱乏的現狀
2.熱銷書專業人士傾力打造
3.提供豐富的配套資源及衍生服務
4.微課視頻詳細講解重點難點
5.理論聯系實際，提供大量實踐案例與應用
謝佳標 曾就職于平安人壽擔任資深數據挖掘專家，目前供職于世界百強企業，負責數據中臺、數據化運營、金融科技、創新規劃等項目及前沿研究。有13年的數據挖掘與分享相關工作的經驗；曾經從事過電商、電購、電力、游戲、金融和物流等行業，熟悉不同行業的數據特點。R語言資深玩家，熟悉Python及深度學習Keras框架，有豐富的大數據挖掘和可視化實戰經驗。2017-2021年被評為微軟數據科學和AI方向最具價值專家(微軟MVP)。 書籍著作：《R語言與數據挖掘》、《數據實踐之美：31位大數據專家的方法、技術與思想》《R語言游戲數據分析與挖掘》、《Keras深度學習：入門、實戰與進階》、《R語言數據分析與挖掘（微課）》
第 1章 初識深度學習 1
1.1 深度學習基礎理論 1
1.1.1 機器學習與深度學習 1
1.1.2 神經網絡基礎 2
1.1.3 常用深度學習模型 5
1.2 主流深度學習框架介紹 6
1.2.1 TensorFlow 6
1.2.2 PyTorch 7
1.3 深度學習開發環境搭建 7
1.3.1 硬件環境準備 7
1.3.2 軟件環境準備 7
1.3.3 安裝Anaconda 9
1.3.4 安裝TensorFlow 2 13
1.4 構建深度學習模型 14
1.4.1 MNIST數據集概述 14
1.4.2 數據預處理 15
1.4.3 構建及編譯模型 16
1.4.4 模型訓練 17
1.4.5 模型評估及預測 19
【本章知識結構圖】 21
【課后習題】 22
第 2章 深度學習的數據預處理技術 23
2.1 數據預處理技術 23
2.1.1 結構化數據預處理 23
2.1.2 非結構化數據預處理 25
2.2 利用OpenCV進行圖像預處理 26
2.2.1 讀取、顯示和保存圖像 26
2.2.2 圖像像素的獲取和編輯 28
2.2.3 圖像幾何變換 29
2.2.4 色彩通道分離和融合 31
2.2.5 顏色空間轉換 31
2.3 利用TensorFlow進行圖像預處理 32
2.3.1 圖像縮放 32
2.3.2 圖像裁剪 33
2.3.3 圖像色彩調整 34
2.3.4 圖像翻轉 35
2.4 利用jieba進行文本預處理 36
2.4.1 jieba分詞 36
2.4.2 添加自定義詞典 37
2.4.3 關鍵詞提取 39
2.4.4 詞性標注 40
2.5 利用Keras進行文本預處理 40
2.5.1 Unicode編碼 40
2.5.2 分詞器 41
2.5.3 獨熱編碼 41
2.5.4 填充序列 42
2.6 案例實訓：對業務員工作日報進行文本處理 43
【本章知識結構圖】 45
【課后習題】 46
第3章 使用Keras開發深度學習模型 48
3.1 Keras模型生命周期 48
3.1.1 定義網絡 48
3.1.2 編譯網絡 51
3.1.3 訓練網絡 51
3.1.4 評估網絡 52
3.1.5 做出預測 52
3.2 Keras模型類型 52
3.2.1 順序型API模型 52
3.2.2 函數式API模型 53
3.3 模型可視化 55
3.3.1 網絡拓撲可視化 55
3.3.2 TensorBoard可視化 55
3.4 回調函數 58
3.4.1 回調函數簡介 59
3.4.2 使用回調函數尋找最優模型 59
3.5 模型保存及加載 61
3.5.1 使用SavedModel格式保存及加載模型 61
3.5.2 使用JSON格式保存及加載模型 63
3.6 案例實訓：使用Keras預測泰坦尼克號上的旅客是否生存 64
【本章知識結構圖】 68
【課后習題】 68
第4章 卷積神經網絡及圖像分類 70
4.1 卷積神經網絡原理及實現 70
4.1.1 卷積神經網絡原理 71
4.1.2 卷積層原理 72
4.1.3 卷積層TensorFlow實現 74
4.1.4 池化層原理 76
4.1.5 池化層TensorFlow實現 78
4.1.6 全連接層 79
4.2 遷移學習 79
4.2.1 遷移學習概述 79
4.2.2 使用Keras Applications實現遷移學習 81
4.2.3 使用TensorFlow Hub實現遷移學習 84
4.2.4 使用遷移學習實現花卉圖像分類器 85
4.3 深度強化學習 90
4.3.1 強化學習基本概念 91
4.3.2 深度強化學習思路 91
4.3.3 Gym平臺 92
4.3.4 使用Keras-RL2的DQN算法實現 CartPole游戲 93
4.4 案例實訓：對CIFAR-10數據集進行圖像識別 95
【本章知識結構圖】 99
【課后習題】 99
第5章 循環神經網絡在文本序列中的應用 101
5.1 循環神經網絡 101
5.1.1 詞嵌入 102
5.1.2 簡單循環網絡原理及其Keras實現 106
5.1.3 長短期記憶網絡原理及其Keras實現 109
5.1.4 門控循環單元原理及其Keras實現 110
5.2 Seq2Seq模型 111
5.2.1 Seq2Seq原理 111
5.2.2 注意力機制 112
5.2.3 利用Keras實現Seq2Seq 113
5.2.4 利用TensorFlow Addons實現
Seq2Seq 116
5.3 Transformer模型 119
5.3.1 Transformer模型原理 120
5.3.2 利用KerasNLP實現Transformer 122
5.4 案例實訓：中文文本分類 122
【本章知識結構圖】 125
【課后習題】 126
第6章 自編碼器 127
6.1 簡單自編碼器 127
6.1.1 自編碼器基本結構 127
6.1.2 簡單自編碼器的Keras實現 129
6.2 稀疏自編碼器 132
6.2.1 稀疏自編碼器基本原理 132
6.2.2 稀疏自編碼器的Keras實現 132
6.3 堆棧自編碼器 134
6.3.1 堆棧自編碼器基本原理 134
6.3.2 堆棧自編碼器的Keras實現 136
6.4 卷積自編碼器 137
6.4.1 卷積自編碼器基本原理 137
6.4.2 卷積自編碼器的Keras實現 137
6.5 降噪自編碼器 139
6.5.1 降噪自編碼器基本原理 139
6.5.2 降噪自編碼器的Keras實現 139
6.6 循環自編碼器 142
6.6.1 循環自編碼器基本原理 142
6.6.2 循環自編碼器的Keras實現 143
6.7 案例實訓：使用自編碼器建立推薦系統 144
【本章知識結構圖】 148
【課后習題】 148
第7章 生成式對抗網絡 150
7.1 生成式對抗網絡概述 150
7.1.1 生成式對抗網絡基本結構 150
7.1.2 生成式對抗網絡常見類型 151
7.2 生成式對抗網絡Keras實現 152
7.2.1 GAN的Keras實現 152
7.2.2 DCGAN的Keras實現 157
7.3 案例實訓：使用GAN和DCGAN
生成數字5圖像 160
【本章知識結構圖】 164
【課后習題】 164
第8章 模型評估及模型優化 167
8.1 模型評估 167
8.1.1 數值預測評估方法 167
8.1.2 概率預測評估方法 169
8.2 模型優化 172
8.2.1 基于梯度下降的優化 172
8.2.2 自適應學習率算法 174
8.2.3 網格搜索 177
8.2.4 防止模型過擬合 178
8.3 在tf.keras中進行模型優化 181
8.3.1 在tf.keras中使用Scikit-learn優化模型 181
8.3.2 使用KerasTuner進行超參數調節 181
8.4 案例實訓1：使用Scikit-learn
優化CIFAR-10分類模型 181
8.5 案例實訓2：使用KerasTuner
優化CIFAR-10分類模型 184
【本章知識結構圖】 189
【課后習題】 189
第9章 深度學習實驗項目 191
9.1 TensorFlow Datasets實驗 191
9.2 tf.data定義高效的輸入流水線 192
9.3 在tf.keras中使用Scikit-learn優化模型 193
9.4 ImageDataGenerator類圖像增強 193
9.5 CNN模型識別手寫數字 194
9.6 CNN模型檢測駕駛員睡意 195
新書資訊