# Keras深度学习：基于Python

**Repository Path**: suncreat/Keras

## Basic Information

- **Project Name**: Keras深度学习：基于Python
- **Description**: 以简洁易懂的语言介绍了使用Keras时必知的深度学习概念，提供了可实操的Python源代码。计划一星期内读完（实际上可能只需要3-4天）
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 3
- **Created**: 2022-08-25
- **Last Updated**: 2022-08-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Keras深度学习 基于Python

## 基本信息

- **商品名称：**Keras深度学习 基于Python
- **作者：**[韩]金兑映|译者:颜廷连
- **定价：**99
- **出版社：**人民邮电
- **ISBN号：**9787115532619
- 

## 其他参考信息（以实物为准）

- **出版时间：**2020-03-01
- **印刷时间：**2020-03-01
- **版次：**1
- **印次：**1
- **开本：**16开      
- **包装：**平装
- **页数：**254
- **字数：**389千字
- 

## 编辑推荐语

1. 你即使不是深度学习专家，也可以利用Keras这个深度学习库轻松构建深度学习模型。
2.  本书涵盖了使用Keras时所需的深度学习概念，并提供了可实操的Python源代码。通过示例代码，你可以直观清晰地理解深度学习模型结构。 
3. 作者 特色地利用乐高玩具模块，充满创意地实现了多种深度学习模型， 直观、浅显地展现了各类深度学习算法。

## 内容提要

在众多深度学习框架中， 容易上手的就是Keras，其简单、可扩展、可重复使用的特征使得非深度学习者也能轻松驾驭。《Keras深度学习  基于Python》通过日常生活中常见的乐高模型块，以简洁易懂的语言介绍了使用Keras时必知的深度学习概念，提供了可实操的Python源代码，讲解了能够直观构建并理解深度学习模型的模块示例。

## 作者简介

金兑映 运营Keras Korea Facebook群组、Keras博客，担任（株）Inspace  CTO、K-ICT大数据中心导师，庆熙大学太空探测系博士课程在读。  韩国航空宇宙研究院研究员，韩国科学技术联合研究生院（UST）卫星系统与应用工程硕士，庆北大学电子电气计算机工学院学士。

## 目录

### 第 1 章　走进Keras 

#### 1.1　关于Keras .1

##### 1.1.1　为什么是Keras 1

##### 1.1.2　Keras 的主要特征 2

##### 1.1.3　Keras 的基本概念 2

#### 1.2　Mac 版Keras 安装 .4

##### 1.2.1　创建项目目录 .5

##### 1.2.2　创建虚拟开发环境 .5

##### 1.2.3　安装基于Web 的Python 开发环境Jupyter　Notebook .6

##### 1.2.4　安装主要的包 .6

##### 1.2.5　安装深度学习库 .7

##### 1.2.6　测试安装环境 .7

##### 1.2.7　 换深度学习引擎 .10

##### 1.2.8　重启 .10

##### 1.2.9　解决错误 .10

#### 1.3　Windows 版Keras 安装 .12

##### 1.3.1　安装Anaconda .12

##### 1.3.2　创建项目目录 .14

##### 1.3.3　创建虚拟环境 .15

##### 1.3.4　安装基于Web 的Python 开发环境Jupyter　Notebook .16

##### 1.3.5　安装主要的包 .17

##### 1.3.6　安装深度学习库 .17

##### 1.3.7　测试安装环境 .18

##### 1.3.8　重启 .21

##### 1.3.9　解决错误 .21

### 第2 章	深度学习概念

#### 2.1　数据集简介 .25

##### 2.1.1　训练集、验证集和测试集 .25

##### 2.1.2　Q&A 29

#### 2.2　关于训练过程 .29

##### 2.2.1　Batchsize 与训练周期 30

##### 2.2.2　Q&A 32

#### 2.3　查看训练过程 .33

##### 2.3.1　调用history 函数 .33

##### 2.3.2　启动TensorBoard .36

##### 2.3.3　编写回调函数 .39

##### 2.3.4　Q&A 43

#### 2.4　训练早停 .43

##### 2.4.1　过拟合模型 .43

##### 2.4.2　设置早停 .46

##### 2.4.3　Q&A 51

#### 2.5　模型评价 .52

##### 2.5.1　分类 .53

##### 2.5.2　检测与搜索 .60

##### 2.5.3　分离 .65

#### 2.6　查看/ 保存/ 调用训练模型 .68

##### 2.6.1　查看简易模型 .69

##### 2.6.2　实操中的深度学 统 .70

##### 2.6.3　保存已训练模型 .71

##### 2.6.4　查看模型架构 .73

##### 2.6.5　调用已训练模型 .73

##### 2.6.6　Q&A 74

### 第3章	分层概念 

#### 3.1　多层感知层介绍 .76

##### 3.1.1　模仿人类神经系统的神经元 .76

##### 3.1.2　连接输入/ 输出的Dense 层 .78

#### 3.2　搭建多层感知神经网模型 .82

##### 3.2.1　定义问题 .83

##### 3.2.2　准备数据 .83

##### 3.2.3　生成数据集 .84

##### 3.2.4　搭建模型 .85

##### 3.2.5　设置模型训练过程 .86

##### 3.2.6　训练模型 .86

##### 3.2.7　评价模型 .87

##### 3.2.8　全部代码 .87

#### 3.3　卷积神经网络分层 .89

##### 3.3.1　过滤特征显著的卷积层 .89

##### 3.3.2　忽略细微变化的 大池化层 .95

##### 3.3.3　将视频一维化的Flatten 层 .96

##### 3.3.4　尝试搭建模型 .97

#### 3.4　搭建卷积神经网络模型 .101

##### 3.4.1　定义问题 .101

##### 3.4.2　准备数据 .102

##### 3.4.3　生成数据集 .103

##### 3.4.4　搭建模型 .104

##### 3.4.5　设置模型训练过程 .105

##### 3.4.6　训练模型 .105

##### 3.4.7　评价模型 .106

##### 3.4.8　使用模型 .107

##### 3.4.9　全部代码 .107

#### 3.5　卷积神经网络模型数据增强 .109

##### 3.5.1　现实问题 .110

##### 3.5.2　查看原有模型结果 .　111

##### 3.5.3　数据增强 .113

##### 3.5.4　查看改善后的模型结果 .116

#### 3.6　循环神经网络分层 .119

#### 3.7　搭建循环神经网络模型 .121

##### 3.7.1　准备序列数据 .121

##### 3.7.2　生成数据集 .122

##### 3.7.3　训练过程 .123

##### 3.7.4　预测过程 .124

##### 3.7.5　多层感知器神经网络模型 .126

##### 3.7.6　标准LSTM 模型 131

##### 3.7.7　Stateful LSTM 模型 .136

##### 3.7.8　多种输入属性的模型结构 .141

### 第4章	 示例应用 

#### 4.1　输入– 预测数值模型示例 .148

##### 4.1.1　准备数据集 .148

##### 4.1.2　准备层 .149

##### 4.1.3　模型准备 .149

##### 4.1.4　全部代码 .152

##### 4.1.5　训练结果比较 .156

#### 4.2　输入数值二元分类模型示例 .157

##### 4.2.1　准备数据集 .157

##### 4.2.2　准备层 .159

##### 4.2.3　准备模型 .159

##### 4.2.4　全部代码 .161

##### 4.2.5　训练结果比较 .164

#### 4.3　输入数值多元分类问题模型示例 .165

##### 4.3.1　准备数据集 .165

##### 4.3.2　数据预处理 .167

##### 4.3.3.　准备层 168

##### 4.3.4　准备模型 .168

##### 4.3.5　全部代码 .170

##### 4.3.6　训练结果比较 .174

#### 4.4　输入视频预测数值的模型示例 .174

##### 4.4.1　准备数据集 .175

##### 4.4.2　准备层 .176

##### 4.4.3　准备模型 .177

##### 4.4.4　全部代码 .178

##### 4.4.5　训练结果比较 .184

#### 4.5　输入视频预测二元分类问题的模型示例　.185

##### 4.5.1　准备数据集 .185

##### 4.5.2　准备层 .187

##### 4.5.3　准备模型 .187

##### 4.5.4　全部代码 .189

##### 4.5.5　训练结果比较 .198

#### 4.6　输入视频预测多元分类问题的模型示例　.199

##### 4.6.1　准备数据集 .200

##### 4.6.2　准备层 .201

##### 4.6.3　准备模型 .201

##### 4.6.4　全部代码 .203

##### 4.6.5　训练结果比较 .212

#### 4.7　输入时间序列数据，预测数值的模型示例　.213

##### 4.7.1　准备数据集 .213

##### 4.7.2　准备层 .215

##### 4.7.3　准备模型 .215

##### 4.7.4　全部代码 .218

##### 4.7.5　训练结果比较 .228

##### 4.7.6　Q&A 229

#### 4.8　根据输入句子（时间序列数值）预测二元分类问题的模型示例　.230

##### 4.8.1　准备数据集 .230

##### 4.8.2　准备层 .231

##### 4.8.3　准备模型 .232

##### 4.8.4　全部代码 .235

##### 4.8.5　训练结果比较 .241

#### 4.9　输入句子（时间序列数值）预测多元分类问题的模型示例　.242

##### 4.9.1　准备数据集 .243

##### 4.9.2　准备层 .243

##### 4.9.3　准备模型 .243

##### 4.9.4　全部代码 .246

##### 4.9.5　训练结果比较　.253