内容简介

本书提供安装、上机操作指南，同时辅以大量范例程序介绍TensorFlow Keras深度学习方面的知识。本书分9部分，共21章，内容主要包括基本概念介绍、TensorFlow 与 Keras 的安装、Keras MNIST手写数字识别、Keras CIFAR-10照片图像物体识别、Keras多层感知器预测泰坦尼克号上旅客的生存概率、使用Keras MLP、RNN、LSTM进行IMDb自然语言处理与情感分析、以TensorFlow张量运算仿真神经网络的运行、TensorFlow MNIST手写数字识别、使用GPU大幅加快深度学习训练。 TensorFlow Keras深度学习方面的知识不需要具备高等数学模型、算法等专业知识，读者只需要具备基本的Python程序设计能力，按照本书的步骤循序渐进地学习，就可以了解深度学习的基本概念，进而实际运用深度学习的技术。

作者简介

林大贵,从事IT行业多年，在系统设计、网站开发、数字营销、商业智慧、大数据、机器学习等领域具有丰富的实战经验。

目录

第1章  人工智能、机器学习与深度学习简介          1

1.1  人工智能、机器学习、深度学习的关系   2

1.2  机器学习介绍        4

1.3  机器学习分类        4

1.4  深度学习简介        7

1.5  结论        8

第2章  深度学习的原理     9

2.1  神经传导的原理   10

2.2  以矩阵运算仿真神经网络   13

2.3  多层感知器模型   14

2.4  使用反向传播算法进行训练        16

2.5  结论        21

第3章  TensorFlow与Keras介绍       22

3.1 TensorFlow架构图         23

3.2 TensorFlow简介    24

3.3 TensorFlow程序设计模式    26

3.4 Keras介绍      27

3.5 Keras程序设计模式      28

3.6 Keras与TensorFlow比较      29

3.7  结论        30

第4章  在Windows中安装TensorFlow与Keras       31

4.1  安装Anaconda       32

4.2  启动命令提示符   35

4.3  建立TensorFlow的Anaconda虚拟环境      37

4.4  在Anaconda虚拟环境安装TensorFlow与Keras        40

4.5  启动JupyterNotebook  42

4.6  结论        48

第5章  在Linux Ubuntu中安装TensorFlow与Keras         49

5.1  安装Anaconda       50

5.2  安装TensorFlow与Keras      52

5.3  启动JupyterNotebook  53

5.4  结论        54

第6章  Keras MNIST手写数字识别数据集        55

6.1  下载MNIST数据   56

6.2  查看训练数据        58

6.3  查看多项训练数据images与label      60

6.4  多层感知器模型数据预处理        62

6.5 features数据预处理     62

6.6 label数据预处理   64

6.7  结论        65

第7章  Keras多层感知器识别手写数字   66

7.1 Keras多元感知器识别MNIST手写数字图像的介绍          67

7.2  进行数据预处理   69

7.3  建立模型        69

7.4  进行训练        73

7.5  以测试数据评估模型准确率        77

7.6  进行预测        78

7.7  显示混淆矩阵        79

7.8  隐藏层增加为1000个神经元      81

7.9  多层感知器加入DropOut功能以避免过度拟合        84

7.10 建立多层感知器模型包含两个隐藏层      86

7.11 结论      89

第8章  Keras卷积神经网络识别手写数字       90

8.1  卷积神经网络简介        91

8.2  进行数据预处理   97

8.3  建立模型        98

8.4  进行训练        101

8.5  评估模型准确率   104

8.6  进行预测        104

8.7  显示混淆矩阵        105

8.8  结论      107

第9章  Keras CIFAR-10图像识别数据集   108

9.1  下载CIFAR-10数据        109

9.2  查看训练数据        111

9.3  查看多项images与label      112

9.4  将images进行预处理  113

9.5  对label进行数据预处理      114

9.6  结论        115

第10章  Keras卷积神经网络识别CIFAR-10图像     116

10.1 卷积神经网络简介      117

10.2 数据预处理 118

10.3 建立模型      119

10.4 进行训练      123

10.5 评估模型准确率 126

10.6 进行预测      126

10.7 查看预测概率      127

10.8 显示混淆矩阵      129

10.9 建立3次的卷积运算神经网络 132

10.10 模型的保存与加载   135

10.11 结论   136

第11章  Keras泰坦尼克号上的旅客数据集     137

11.1 下载泰坦尼克号旅客数据集      138

11.2 使用Pandas DataFrame读取数据并进行预处理     140

11.3 使用Pandas DataFrame进行数据预处理          142

11.4 将DataFrame转换为Array        143

11.5 将ndarray特征字段进行标准化        145

11.6 将数据分为训练数据与测试数据      145

11.7 结论      147

第12章  Keras多层感知器预测泰坦尼克号上旅客的生存概率     148

12.1 数据预处理 149

12.2 建立模型      150

12.3 开始训练      152

12.4 评估模型准确率 155

12.5 加入《泰坦尼克号》电影中Jack与Rose的数据   156

12.6 进行预测      157

12.7 找出泰坦尼克号背后的感人故事      158

12.8 结论      160

第13章  IMDb网络电影数据集与自然语言处理     161

13.1 Keras自然语言处理介绍   163

13.2 下载IMDb数据集       167

13.3 读取IMDb数据  169

13.4 查看IMDb数据  172

13.5 建立token   173

13.6 使用token将“影评文字”转换成“数字列表”  174

13.7 让转换后的数字长度相同 174

13.8 结论      176

第14章  Keras建立MLP、RNN、LSTM模型进行IMDb情感分析          177

14.1 建立多层感知器模型进行IMDb情感分析       178

14.2 数据预处理 179

14.3 加入嵌入层 180

14.4 建立多层感知器模型 181

14.5 训练模型      182

14.6 评估模型准确率 184

14.7 进行预测      185

14.8 查看测试数据预测结果      185

14.9 查看《美女与野兽》的影评      187

14.10 预测《美女与野兽》的影评是正面或负面的        190

14.11 文字处理时使用较大的字典提取更多文字   192

14.12 RNN模型介绍   193

14.13 使用Keras RNN模型进行IMDb情感分析      195

14.14 LSTM模型介绍 197

14.15 使用Keras LSTM模型进行IMDb情感分析    199

14.16 结论   200

第15章  TensorFlow程序设计模式    201

15.1 建立“计算图” 202

15.2 执行“计算图” 204

15.3 TensorFlow placeholder        206

15.4 TensorFlow数值运算方法介绍  207

15.5 TensorBoard          208

15.6 建立一维与二维张量 211

15.7 矩阵基本运算      212

15.8 结论      214

第16章  以TensorFlow张量运算仿真神经网络的运行   215

16.1 以矩阵运算仿真神经网络 216

16.2 以placeholder传入X值     220

16.3 创建layer函数以矩阵运算仿真神经网络        222

16.4 建立layer_debug函数显示权重与偏差    225

16.5 结论      226

第17章  TensorFlow MNIST手写数字识别数据集    227

17.1 下载MNIST数据          228

17.2 查看训练数据      229

17.3 查看多项训练数据images与labels 232

17.4 批次读取MNIST数据          234

17.5 结论      235

第18章  TensorFlow多层感知器识别手写数字        236

18.1 TensorFlow建立多层感知器辨识手写数字的介绍  237

18.2 数据准备      239

18.3 建立模型      239

18.4 定义训练方式      242

18.5 定义评估模型准确率的方式      243

18.6 进行训练      244

18.7 评估模型准确率 249

18.8 进行预测      249

18.9 隐藏层加入更多神经元      250

18.10 建立包含两个隐藏层的多层感知器模型        251

18.11 结论   252

第19章  TensorFlow卷积神经网络识别手写数字    253

19.1 卷积神经网络简介      254

19.2 进行数据预处理 255

19.3 建立共享函数      256

19.4 建立模型      258

19.5 定义训练方式      264

19.6 定义评估模型准确率的方式      264

19.7 进行训练      265

19.8 评估模型准确率 266

19.9 进行预测      267

19.10 TensorBoard       268

19.11 结论   270

第20章  TensorFlow GPU版本的安装        271

20.1 确认显卡是否支持CUDA   273

20.2 安装CUDA   274

20.3 安装cuDNN 278

20.4 将cudnn64_5.dll存放的位置加入Path环境变量    281

20.5 在Anaconda建立TensorFlow GPU虚拟环境    283

20.6 安装TensorFlow GPU版本 285

20.7 安装Keras   286

20.8 结论      286

第21章  使用GPU加快TensorFlow与Keras训练   287

21.1 启动TensorFlow GPU环境 288

21.2 测试GPU与CPU执行性能         293

21.3 超出显卡内存的限制 296

21.4 以多层感知器的实际范例比较CPU与GPU的执行速度         297

21.5 以CNN的实际范例比较CPU与GPU的执行速度   299

21.6 以Keras Cifar CNN的实际范例比较CPU与GPU的执行速度         302

21.7 结论      304

附录A  本书范例程序的下载与安装说明 305

A.1  在Windows系统中下载与安装范例程序  306

A.2  在Ubuntu Linux系统中下载与安装范例程序    310

文档截图