《深度学习快速实践:基于TensorFlow和Keras的深度神经网络优化与训…》PDF电子书免费下载

作者:  [美]迈克·贝尼科(Mike Bernico)

出版社: 机械工业出版社

出版年: 2020年04月

ISBN: 9787111646273

~~滚到底部有网盘下载链接~~

内容简介

目录

目 录
译者序
原书序
原书前言
第1 章 深度学习的构建模块 // 1
1.1 深度神经网络的架构 // 1
1.1.1 神经元 // 1
1.1.2  深度学习中的代价函数和成本函数 // 4
1.1.3 前向传播过程 // 5
1.1.4 反向传播函数 // 5
1.1.5 随机和小批量梯度下降 // 6
1.2 深度学习的优化算法 // 6
1.2.1 采用具有动量的梯度下降 // 6
1.2.2 RMSProp 算法 // 7
1.2.3 Adam 优化器 // 7
1.3 深度学习平台架构 // 7
1.3.1 什么是TensorFlow ? // 7
1.3.2 什么是Keras ? // 8
1.3.3 TensorFlow 的热门替代品 // 8
1.3.4  TensorFlow 和Keras 对GPU的要求 // 8
1.3.5  安装Nvidia CUDA Toolkit 和cuDNN // 9
1.3.6 安装Python // 10
1.3.7 安装TensorFlow 和Keras // 11
1.4 深度学习数据集的构建 // 12
1.4.1  深度学习中的偏差和方差误差 // 13
1.4.2 train、val 和test 数据集 // 13
1.4.3  深度神经网络中的偏差和方差管理 // 14
1.4.4 K-Fold 交叉验证 // 14
1.5 小结 // 15
第2 章  用深度学习解决回归问题 // 16
2.1 回归分析和深度神经网络 // 16
2.1.1  使用神经网络进行回归的好处 // 16
2.1.2  使用神经网络进行回归时需要注意的问题 // 17
2.2 使用深度神经网络进行回归 // 17
2.2.1 如何规划机器学习问题 // 17
2.2.2 定义示例问题 // 17
2.2.3 加载数据集 // 18
2.2.4 定义成本函数 // 19
2.3 在Keras 中建立MLP // 19
2.3.1 输入层的构形 // 20
2.3.2 隐藏层的构形 // 20
2.3.3 输出层的构形 // 20
2.3.4 神经网络的架构 // 20
2.3.5 训练Keras 模型 // 21
2.3.6 评测模型的性能 // 22
2.4 在Keras 中建立深度神经网络 // 22
2.4.1 评测深度神经网络的性能 // 24
2.4.2 模型超参数的调优 // 25
2.5  保存并加载经过训练的Keras模型 // 25
2.6 小结 // 25
第3 章  用TensorBoard 监控网络训练 // 27
3.1 TensorBoard 的概述 // 27
3.2 设置TensorBoard // 27
3.2.1 安装TensorBoard // 28
3.2.2  TensorBoard 如何与Keras /TensorFlow 会话 // 28
3.2.3 运行TensorBoard // 28
3.3 将Keras 连接到TensorBoard // 29
3.3.1 Keras 回调简介 // 29
3.3.2 创建TensorBoard 回调函数 // 29
3.4 使用TensorBoard // 31
3.4.1 网络训练的可视化 // 31
3.4.2 网络结构的可视化 // 32
3.4.3 网络破碎的可视化 // 32
3.5 小结 // 33
第4 章  用深度学习解决二元分类问题 // 34
4.1 二元分类和深度神经网络 // 34
4.1.1 深度神经网络的优点 // 34
4.1.2 深度神经网络的缺点 // 35
4.2 案例研究—癫痫发作识别 // 35
4.2.1 定义数据集 // 35
4.2.2 加载数据 // 35
4.2.3 模型的输入和输出 // 36
4.2.4 成本函数 // 36
4.2.5 性能评估所采用的度量指标 // 37
4.3 在Keras 中构建二元分类器 // 37
4.3.1 输入层 // 38
4.3.2 隐藏层 // 38
4.3.3 输出层 // 39
4.3.4 网络层的合并 // 39
4.3.5 训练模型 // 40
4.4 使用Keras 中的检查点回调函数 // 40
4.5  在自定义回调函数中测量ROC AUC // 41
4.6 精度、召回率和f1 积分的测量 // 42
4.7 小结 // 43
第5 章  用Keras 解决多元分类问题 //44
5.1 多元分类和深度神经网络 // 44
5.1.1 优势 // 44
5.1.2 缺点 // 45
5.2 案例研究—手写数字的分类 // 45
5.2.1 问题定义 // 45
5.2.2 模型的输入和输出 // 45
5.2.3 成本函数 // 46
5.2.4 度量 // 46
5.3 在Keras 中构建多元分类器 // 47
5.3.1 加载MNIST // 47
5.3.2 输入层 // 47
5.3.3 隐藏层 // 47
5.3.4 输出层 // 48
5.3.5 网络的总体结构 // 49
5.3.6 训练 // 49
5.3.7  多类模型中scikit-learn 度量指标的应用 // 50
5.4 通过Dropout 进行方差控制 // 51
5.5 采用正则化进行方差控制 // 54
5.6 小结 // 55
第6 章 超参数的优化 // 56
6.1  网络体系结构应该被视为超参数吗? // 56
6.1.1 站在巨人的肩膀上 // 56
6.1.2  添加至过度拟合,然后进行正则化 // 57
6.1.3 实用建议 // 57
6.2 应该优化哪些超参数? // 57
6.3 超参数优化策略 // 58
6.3.1 常用的策略 // 58
6.3.2 通过scikit-learn 使用随机搜索 // 59
6.3.3 Hyperband // 60
6.4 小结 // 62
第7 章 从头开始训练CNN // 63
7.1 卷积的引入 // 63
7.1.1 卷积层的工作原理 // 64
7.1.2 卷积层的好处 // 65
7.1.3 汇集层 // 66
7.1.4 批量正则化 // 67
7.2 在Keras 中训练卷积神经网络 // 67
7.2.1 输入 // 67
7.2.2 输出 // 67
7.2.3 成本函数和度量指标 // 67
7.2.4 卷积层 // 68
7.2.5 全相连层 // 68
7.2.6 Keras 中的多GPU 模型 // 69
7.2.7 训练 // 69
7.3 使用数据扩增 // 70
7.3.1  Keras 中的图像数据扩增器(ImageDataGenerator 类) // 71
7.3.2 具有数据扩增的训练 // 72
7.4 小结 // 72
第8 章  使用预训练CNN 进行
迁移学习 // 73
8.1 迁移学习概述 // 73
8.2 何
显示部分信息

下载价格:免费
立即下载
登入/注册
知识就是力量
没有账号? 忘记密码?