掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
Keras快速上手:基于Python的深度學習實戰 版權信息
- ISBN：9787121318726
- 條形碼：9787121318726 ; 978-7-121-31872-6
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
Keras快速上手:基于Python的深度學習實戰 本書特色
本書系統地講解了深度學習的基本知識、建模過程和應用，并以深度學習在推薦系統、圖像識別、自然語言處理、文字生成和時間序列中的具體應用為案例，詳細介紹了從工具準備、數據獲取和處理到針對問題進行建模的整個過程和實踐經驗，是一本非常好的深度學習入門書。不同于許多講解深度學習的書籍，本書以實用為導向，選擇了 Keras 作為編程框架，強調簡單、快速地設計模型，而不去糾纏底層代碼，使得內容相當易于理解，讀者可以在 CNTK、 TensorFlow 和 Theano 的后臺之間隨意切換，非常靈活。并且本書能幫助讀者從高度抽象的角度去審視業務問題，達到事半功倍的效果。
Keras快速上手:基于Python的深度學習實戰 內容簡介
本書系統地講解了深度學習的基本知識、建模過程和應用, 并以深度學習在推薦系統、圖像識別、自然語言處理、文字生成和時間序列中的具體應用為案例, 詳細介紹了從工具準備、數據獲取和處理到針對問題進行建模的整個過程和實踐經驗, 是一本非常好的深度學習入門書。
Keras快速上手:基于Python的深度學習實戰 目錄
目錄
1 準備深度學習的環境 1
1.1 硬件環境的搭建和配置選擇 . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 通用圖形處理單元 . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 你需要什么樣的 GPU 加速卡 . . . . . . . . . . . . . . . . . . . . 6
1.1.3 你的 GPU 需要多少內存 . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.4 是否應該用多個 GPU . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 安裝軟件環境 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1 所需軟件列表 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2 CUDA 的安裝 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Python 計算環境的安裝 . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.4 深度學習建模環境介紹 . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.5 安裝 CNTK 及對應的 Keras . . . . . . . . . . . . . . . . . . . . . 17
1.2.6 安裝 Theano 計算環境 . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.2.7 安裝 TensorFlow 計算環境 . . . . . . . . . . . . . . . . . . . . . . 25
1.2.8 安裝 cuDNN 和 CNMeM . . . . . . . . . . . . . . . . . . . . . . . 27
2 數據收集與處理 28
2.1 網絡爬蟲 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.1 網絡爬蟲技術 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.2 構造自己的 Scrapy 爬蟲 . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.3 構造可接受參數的 Scrapy 爬蟲 . . . . . . . . . . . . . . . . . . . 35
2.1.4 運行 Scrapy 爬蟲 . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.1.5 運行 Scrapy 爬蟲的一些要點 . . . . . . . . . . . . . . . . . . . . . 38
2.2 大規模非結構化數據的存儲和分析 . . . . . . . . . . . . . . . . . . . . . 40
2.2.1 ElasticSearch 介紹 . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.2.2 ElasticSearch 應用實例 . . . . . . . . . . . . . . . . . . . . . . . . 44
3 深度學習簡介 57
3.1 概述 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2 深度學習的統計學入門 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.3 一些基本概念的解釋 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.1 深度學習中的函數類型 . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.2 深度學習中的其他常見概念 . . . . . . . . . . . . . . . . . . . . . 65
3.4 梯度遞減算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.5 后向傳播算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4 Keras 入門 72
4.1 Keras 簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.2 Keras 中的數據處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.1 文字預處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2.2 序列數據預處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.2.3 圖片數據輸入 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.3 Keras 中的模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.4 Keras 中的重要對象 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.5 Keras 中的網絡層構造 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.6 使用 Keras 進行奇異值矩陣分解 . . . . . . . . . . . . . . . . . . . . . . . 102
5 推薦系統 105
5.1 推薦系統簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.2 矩陣分解模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.3 深度神經網絡模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.4 其他常用算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.5 評判模型指標 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
6 圖像識別 121
6.1 圖像識別入門 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
6.2 卷積神經網絡的介紹 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.3 端到端的 MNIST 訓練數字識別 . . . . . . . . . . . . . . . . . . . . . . . 127
6.4 利用 VGG16 網絡進行字體識別 . . . . . . . . . . . . . . . . . . . . . . . 131
6.5 總結 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7 自然語言情感分析 136
7.1 自然語言情感分析簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
7.2 文字情感分析建模 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.2.1 詞嵌入技術 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.2.2 多層全連接神經網絡訓練情感分析 . . . . . . . . . . . . . . . . . 140
7.2.3 卷積神經網絡訓練情感分析 . . . . . . . . . . . . . . . . . . . . . 143
7.2.4 循環神經網絡訓練情感分析 . . . . . . . . . . . . . . . . . . . . . 144
7.3 總結 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
8 文字生成 147
8.1 文字生成和聊天機器人 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
8.2 基于檢索的對話系統 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
8.3 基于深度學習的檢索式對話系統 . . . . . . . . . . . . . . . . . . . . . . . 159
8.3.1 對話數據的構造 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
8.3.2 構造深度學習索引模型 . . . . . . . . . . . . . . . . . . . . . . . . 162
8.4 基于文字生成的對話系統 . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
8.5 總結 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
9 時間序列 173
9.1 時間序列簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
9.2 基本概念 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
9.3 時間序列模型預測準確度的衡量 . . . . . . . . . . . . . . . . . . . . . . . 178
9.4 時間序列數據示例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
9.5 簡要回顧 ARIMA 時間序列模型 . . . . . . . . . . . . . . . . . . . . . . . 181
9.6 循環神經網絡與時間序列模型 . . . . . . . . . . . . . . . . . . . . . . . . 186
9.7 應用案例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
9.7.1 長江漢口月度流量時間序列模型 . . . . . . . . . . . . . . . . . . 190
9.7.2 國際航空月度乘客數時間序列模型 . . . . . . . . . . . . . . . . . 203
9.8 總結 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
10 智能物聯網 210
10.1 Azure 和 IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
10.2 Azure IoT Hub 服務 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
10.3 使用 IoT Hub 管理設備概述 . . . . . . . . . . . . . . . . . . . . . . . . . . 215
10.4 使用.NET 將模擬設備連接到 IoT 中心 . . . . . . . . . . . . . . . . . . . . 218
10.5 機器學習應用實例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
1 準備深度學習的環境 1
1.1 硬件環境的搭建和配置選擇 . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 通用圖形處理單元 . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 你需要什么樣的 GPU 加速卡 . . . . . . . . . . . . . . . . . . . . 6
1.1.3 你的 GPU 需要多少內存 . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.4 是否應該用多個 GPU . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 安裝軟件環境 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1 所需軟件列表 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2 CUDA 的安裝 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Python 計算環境的安裝 . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.4 深度學習建模環境介紹 . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.5 安裝 CNTK 及對應的 Keras . . . . . . . . . . . . . . . . . . . . . 17
1.2.6 安裝 Theano 計算環境 . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.2.7 安裝 TensorFlow 計算環境 . . . . . . . . . . . . . . . . . . . . . . 25
1.2.8 安裝 cuDNN 和 CNMeM . . . . . . . . . . . . . . . . . . . . . . . 27
2 數據收集與處理 28
2.1 網絡爬蟲 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.1 網絡爬蟲技術 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.2 構造自己的 Scrapy 爬蟲 . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.3 構造可接受參數的 Scrapy 爬蟲 . . . . . . . . . . . . . . . . . . . 35
2.1.4 運行 Scrapy 爬蟲 . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.1.5 運行 Scrapy 爬蟲的一些要點 . . . . . . . . . . . . . . . . . . . . . 38
2.2 大規模非結構化數據的存儲和分析 . . . . . . . . . . . . . . . . . . . . . 40
2.2.1 ElasticSearch 介紹 . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.2.2 ElasticSearch 應用實例 . . . . . . . . . . . . . . . . . . . . . . . . 44
3 深度學習簡介 57
3.1 概述 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2 深度學習的統計學入門 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.3 一些基本概念的解釋 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.1 深度學習中的函數類型 . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.2 深度學習中的其他常見概念 . . . . . . . . . . . . . . . . . . . . . 65
3.4 梯度遞減算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.5 后向傳播算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4 Keras 入門 72
4.1 Keras 簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.2 Keras 中的數據處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.1 文字預處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2.2 序列數據預處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.2.3 圖片數據輸入 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.3 Keras 中的模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.4 Keras 中的重要對象 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.5 Keras 中的網絡層構造 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.6 使用 Keras 進行奇異值矩陣分解 . . . . . . . . . . . . . . . . . . . . . . . 102
5 推薦系統 105
5.1 推薦系統簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.2 矩陣分解模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.3 深度神經網絡模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.4 其他常用算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.5 評判模型指標 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
6 圖像識別 121
6.1 圖像識別入門 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
6.2 卷積神經網絡的介紹 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.3 端到端的 MNIST 訓練數字識別 . . . . . . . . . . . . . . . . . . . . . . . 127
6.4 利用 VGG16 網絡進行字體識別 . . . . . . . . . . . . . . . . . . . . . . . 131
6.5 總結 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7 自然語言情感分析 136
7.1 自然語言情感分析簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
7.2 文字情感分析建模 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.2.1 詞嵌入技術 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.2.2 多層全連接神經網絡訓練情感分析 . . . . . . . . . . . . . . . . . 140
7.2.3 卷積神經網絡訓練情感分析 . . . . . . . . . . . . . . . . . . . . . 143
7.2.4 循環神經網絡訓練情感分析 . . . . . . . . . . . . . . . . . . . . . 144
7.3 總結 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
8 文字生成 147
8.1 文字生成和聊天機器人 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
8.2 基于檢索的對話系統 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
8.3 基于深度學習的檢索式對話系統 . . . . . . . . . . . . . . . . . . . . . . . 159
8.3.1 對話數據的構造 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
8.3.2 構造深度學習索引模型 . . . . . . . . . . . . . . . . . . . . . . . . 162
8.4 基于文字生成的對話系統 . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
8.5 總結 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
9 時間序列 173
9.1 時間序列簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
9.2 基本概念 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
9.3 時間序列模型預測準確度的衡量 . . . . . . . . . . . . . . . . . . . . . . . 178
9.4 時間序列數據示例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
9.5 簡要回顧 ARIMA 時間序列模型 . . . . . . . . . . . . . . . . . . . . . . . 181
9.6 循環神經網絡與時間序列模型 . . . . . . . . . . . . . . . . . . . . . . . . 186
9.7 應用案例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
9.7.1 長江漢口月度流量時間序列模型 . . . . . . . . . . . . . . . . . . 190
9.7.2 國際航空月度乘客數時間序列模型 . . . . . . . . . . . . . . . . . 203
9.8 總結 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
10 智能物聯網 210
10.1 Azure 和 IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
10.2 Azure IoT Hub 服務 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
10.3 使用 IoT Hub 管理設備概述 . . . . . . . . . . . . . . . . . . . . . . . . . . 215
10.4 使用.NET 將模擬設備連接到 IoT 中心 . . . . . . . . . . . . . . . . . . . . 218
10.5 機器學習應用實例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
展開全部
Keras快速上手:基于Python的深度學習實戰 作者簡介
謝梁
現任微軟云計算核心存儲部門首席數據科學家，主持運用機器學習和人工智能方法優化大規模高可用性并行存儲系統的運行效率和改進其運維方式。具有十余年機器學習應用經驗，熟悉各種業務場景下機器學習和數據挖掘產品的需求分析、架構設計、算法開發和集成部署，涉及金融、能源和高科技等領域。曾經擔任美國道瓊斯工業平均指數唯一保險業成分股的旅行家保險公司分析部門總監，負責運用現代統計學習方法優化精算定價業務和保險運營管理，推動精準個性化定價解決方案。在包括Journal of Statistical Software等專業期刊上發表過多篇論文，擔任Journal of Statistical Computation and Simulation期刊以及Data Mining Applications with R一書的審稿人。本科畢業于西南財經大學經濟學專業，博士畢業于紐約州立大學計量經濟學專業。
魯穎
現任谷歌硅谷總部數據科學家，為谷歌應用商城提供核心數據決策分析，利用機器學習和深度學習技術建立用戶行為預測模型，為產品優化提供核心數據支持。曾在亞馬遜、微軟和迪士尼美國總部擔任機器學習研究科學家，有著多年使用機器學習和深度學習算法研發為業務提供解決方案的經驗。熱衷于幫助中國社區的人工智能方面的研究和落地，活躍于各個大型會議并發表主題演講。本科畢業于復旦大學數學專業，博士畢業于明尼蘇達大學統計專業。
勞虹嵐
現任微軟研究院研究工程師，是早期智能硬件項目上視覺和語音研發的核心團隊成員，對企業用戶和消費者需求體驗與AI技術的結合有深刻的理解和豐富的經驗。曾在Azure和Office 365負責處理大流量高并發的后臺云端研究和開發，精通一系列系統架構設計和性能優化方面的解決方案。擁有從前端到后端的豐富經驗：包括客戶需求判斷、產品開發以及最終在云端架構設計和部署。本科畢業于浙江大學電子系，碩士畢業于美國南加州大學（USC）電子和計算機系。
書友推薦
- >
巴金－再思錄
- >
隨園食單
- >
羅曼·羅蘭讀書隨筆-精裝
- >
自卑與超越
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
月亮與六便士
- >
二體千字文
- >
推拿
本類暢銷
