Keras与深度学习实战

图书介绍

本书特色：1、理论与实战结合：本书以使用Keras框架在实现深度学习的方法为主线，针对各类常见的深度神经网络，不仅介绍了其对应的Keras的实现，还使用图片和公式详细介绍了网络对应的原理。2、以应用为导向：本书针对深度学习的常见应用，如目标检测、文本生成和图像风格转换等，从背景介绍到原理分析，再到任务案例的具体流程，让读者明确如何利用所学知识来解决问题，并通过实训和课后习题巩固所学知识，真正理解并能够应用所学知识。3、注重启发式教学。全书大部分章节以一个例子为开端，注重对于读者思路的启发与解决方案的实施。通过对深度学习任务的全流程的体验，让读者真正理解并掌握深度学习的相关技术。

本书简介：本书以Keras深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用Keras进行深度学习的重要内容。全书共7章，内容包括深度学习概述、Keras深度学习通用流程、Keras深度学习基础、基于RetinaNet的目标检测、基于LSTM的唐诗生成、基于GAN的图像风格转换、基于TipDM数据挖掘建模平台实现唐诗生成等技术。本书大部分章节包含了实训和课后习题，通过练习和操作实践，帮助读者巩固所学的内容。

本书适用对象1.开设有深度学习或人工智能等相关课程的高校的学生。 2.深度学习应用的开发人员。 3.进行深度学习应用研究的科研人员。

图书目录

第1章    深度学习概述    1

1.1    深度学习简介    1
1.1.1    深度学习的定义    1
1.1.2    深度学习常见应用    2
1.2    深度学习与其他领域    12
1.2.1    深度学习与计算机视觉    12
1.2.2    深度学习与自然语言处理    13
1.2.3    深度学习与语音识别    14
1.2.4    深度学习与机器学习    15
1.2.5    深度学习与人工智能    16
1.3    Keras简介    17
1.3.1    各深度学习框架对比    17
1.3.2    Keras与TensorFlow的关系    19
1.3.3    Keras常见接口    20
1.3.4    Keras特性    21
1.3.5    Keras安装    22
1.3.6    Keras中的预训练模型    26
小结    29
课后习题    29

第2章    Keras深度学习通用流程    31

2.1    基于全连接网络的手写数字识别实例    31
2.2    数据加载与预处理    34
2.2.1    数据加载    35
2.2.2    数据预处理    38
2.3    构建网络    45
2.3.1    模型生成    46
2.3.2    核心层    47
2.3.3    自定义层    55
2.4    训练网络    59
2.4.1    优化器    60
2.4.2    损失函数    63
2.4.3    训练方法    69
2.5    性能评估    73
2.5.1    性能监控    73
2.5.2    回调检查    78
2.6    模型的保存与加载    86
实训1 利用Keras进行数据加载与增强    88
实训2 利用Keras构建网络并训练    89
小结    90
课后习题    90

第3章    Keras深度学习基础    92

3.1    卷积神经网络基础    92
3.1.1    卷积神经网络中的常用网络层    93
3.1.2    基于卷积神经网络的手写数字识别实例    108
3.1.3    常用卷积神经网络算法及其结构    110
3.2    循环神经网络    117
3.2.1    循环神经网络中的常用网络层    119
3.2.2    基于循环神经网络和注意力机制的新闻摘要分类实例    135
3.3    生成对抗网络    143
3.3.1    常用生成对抗网络算法及其结构    143
3.3.2    基于生成对抗网络的手写数字生成实例    148
实训1 卷积神经网络    162
实训2 循环神经网络    163
实训3 生成对抗网络    164
小结    165
课后习题    165

第4章    基于RetinaNet的目标检测    168

4.1    算法简介与目标分析    168
4.1.1    背景介绍    168
4.1.2    目标检测算法概述    169
4.1.3    目标检测相关理论介绍    170
4.1.4    分析目标    172
4.1.5    项目工程结构    173
4.2    数据准备    174
4.2.1    数据集下载    174
4.2.2    图像预处理    175
4.2.3    数据集编码    180
4.2.4    数据集管道设置    184
4.3    构建网络    185
4.3.1    RetinaNet网络结构    185
4.3.2    构建RetinaNet网络    187
4.4    训练网络    190
4.4.1    定义损失函数    191
4.4.2    训练网络    194
4.4.3    加载模型测试点    195
4.5    模型预测    195
4.5.1    定义解码与非极大抑制类    196
4.5.2    预测结果    198
小结    199
实训 使用VOC2007数据集训练和测试RestinaNet网络    200
课后习题    200

第5章    基于LSTM的唐诗生成    201

5.1    目标分析    201
5.1.1    背景    201
5.1.2    分析目标    202
5.1.3    项目工程结构    203
5.2    文本预处理    204
5.2.1    标识诗句结束点    204
5.2.2    去掉低频的字    205
5.2.3    构建映射    205
5.3    构建网络    206
5.3.1    设置配置项参数    206
5.3.2    生成训练数据    207
5.3.3    构建LSTM网络    208
5.4    训练网络    209
5.4.1    查看学习情况    209
5.4.2    生成诗句    210
5.4.3    训练网络    211
5.5    结果分析    212
小结    214
实训 基于LSTM的文本生成    214
课后习题    214

第6章    基于CycleGAN的图像风格转换    215

6.1    目标分析    215
6.1.1    背景    215
6.1.2    分析目标    216
6.1.3    项目工程结构    217
6.2    数据准备    218
6.3    构建网络    220
6.3.1    定义恒等映射网络函数    221
6.3.2    定义残差网络函数    222
6.3.3    定义生成器函数    224
6.3.4    定义判别器函数    226
6.4    训练网络    227
6.4.1    定义训练过程函数    227
6.4.2    定义生成图像函数    229
6.5    结果分析    230
小结    232
实训 基于GAN实现莫奈画作与现实风景图像的风格转换    233
课后习题    233

第7章    基于TipDM数据挖掘建模平台实现唐诗生成    235

7.1    平台简介    235
7.1.1    实训库    236
7.1.2    数据连接    237
7.1.3    实训数据    238
7.1.4    系统算法    240
7.1.5    个人算法    242
7.2    实现唐诗生成    243
7.2.1    配置数据源    243
7.2.2    文本预处理    245
7.2.3    构建网络    246
7.2.4    训练网络    249
7.2.5    结果分析    253
小结    254
实训 实现基于LSTM的文本生成    255
课后习题    255