TensorFlow+Keras深度學習人工智能實踐應用 pdf epub mobi txt 電子書下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

林大貴著

圖書標籤:

TensorFlow
Keras
深度學習
人工智能
實踐
應用
機器學習
神經網絡
Python
數據科學
模型構建

下載連結在頁面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製連結

想要找書就要到新城書站

book.cndgn.com

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

齣版社：清華大學齣版社

ISBN：9787302493020

版次：1

商品編碼：12313704

包裝：平裝

開本：16開

齣版時間：2018-01-01

用紙：膠版紙

頁數：311

字數：531000

正文語種：中文

具體描述

産品特色

編輯推薦

　　淺入深地講解Keras與TensorFlow深度學習類神經網絡
　　使用實際的數據集配閤範例程序代碼介紹各種深度學習算法，並示範如何進行數據預處理、訓練數據、建立模型和預測結果

內容簡介

　　本書提供安裝、上機操作指南，同時輔以大量範例程序介紹TensorFlow + Keras深度學習方麵的知識。本書分9部分，共21章，內容主要包括基本概念介紹、TensorFlow 與 Keras 的安裝、Keras MNIST手寫數字識彆、Keras CIFAR-10照片圖像物體識彆、Keras多層感知器預測泰坦尼剋號上旅客的生存概率、使用Keras MLP、RNN、LSTM進行IMDb自然語言處理與情感分析、以TensorFlow張量運算仿真神經網絡的運行、TensorFlow MNIST手寫數字識彆、使用GPU大幅加快深度學習訓練。
　　TensorFlow + Keras深度學習方麵的知識不需要具備高等數學模型、算法等專業知識，讀者隻需要具備基本的Python程序設計能力，按照本書的步驟循序漸進地學習，就可以瞭解深度學習的基本概念，進而實際運用深度學習的技術。

作者簡介

　　林大貴，從事IT行業多年，在係統設計、網站開發、數字營銷、商業智慧、大數據、機器學習等領域具有豐富的實戰經驗。

第1章人工智能、機器學習與深度學習簡介 1
1.1 人工智能、機器學習、深度學習的關係 2
1.2 機器學習介紹 4
1.3 機器學習分類 4
1.4 深度學習簡介 7
1.5 結論 8
第2章深度學習的原理 9
2.1 神經傳導的原理 10
2.2 以矩陣運算仿真神經網絡 13
2.3 多層感知器模型 14
2.4 使用反嚮傳播算法進行訓練 16
2.5 結論 21
第3章 TensorFlow與Keras介紹 22
3.1 TensorFlow架構圖 23
3.2 TensorFlow簡介 24
3.3 TensorFlow程序設計模式 26
3.4 Keras介紹 27
3.5 Keras程序設計模式 28
3.6 Keras與TensorFlow比較 29
3.7 結論 30
第4章在Windows中安裝TensorFlow與Keras 31
4.1 安裝Anaconda 32
4.2 啓動命令提示符 35
4.3 建立TensorFlow的Anaconda虛擬環境 37
4.4 在Anaconda虛擬環境安裝TensorFlow與Keras 40
4.5 啓動Jupyter Notebook 42
4.6 結論 48
第5章在Linux Ubuntu中安裝TensorFlow與Keras 49
5.1 安裝Anaconda 50
5.2 安裝TensorFlow與Keras 52
5.3 啓動Jupyter Notebook 53
5.4 結論 54
第6章 Keras MNIST手寫數字識彆數據集 55
6.1 下載MNIST數據 56
6.2 查看訓練數據 58
6.3 查看多項訓練數據images與label 60
6.4 多層感知器模型數據預處理 62
6.5 features數據預處理 62
6.6 label數據預處理 64
6.7 結論 65
第7章 Keras多層感知器識彆手寫數字 66
7.1 Keras多元感知器識彆MNIST手寫數字圖像的介紹 67
7.2 進行數據預處理 69
7.3 建立模型 69
7.4 進行訓練 73
7.5 以測試數據評估模型準確率 77
7.6 進行預測 78
7.7 顯示混淆矩陣 79
7.8 隱藏層增加為1000個神經元 81
7.9 多層感知器加入DropOut功能以避免過度擬閤 84
7.10 建立多層感知器模型包含兩個隱藏層 86
7.11 結論 89

第8章 Keras捲積神經網絡識彆手寫數字 90
8.1 捲積神經網絡簡介 91
8.2 進行數據預處理 97
8.3 建立模型 98
8.4 進行訓練 101
8.5 評估模型準確率 104
8.6 進行預測 104
8.7 顯示混淆矩陣 105
8.8 結論 107
第9章 Keras CIFAR-10圖像識彆數據集 108
9.1 下載CIFAR-10數據 109
9.2 查看訓練數據 111
9.3 查看多項images與label 112
9.4 將images進行預處理 113
9.5 對label進行數據預處理 114
9.6 結論 115
第10章 Keras捲積神經網絡識彆CIFAR-10圖像 116
10.1 捲積神經網絡簡介 117
10.2 數據預處理 118
10.3 建立模型 119
10.4 進行訓練 123
10.5 評估模型準確率 126
10.6 進行預測 126
10.7 查看預測概率 127
10.8 顯示混淆矩陣 129
10.9 建立3次的捲積運算神經網絡 132
10.10 模型的保存與加載 135
10.11 結論 136
第11章 Keras泰坦尼剋號上的旅客數據集 137
11.1 下載泰坦尼剋號旅客數據集 138
11.2 使用Pandas DataFrame讀取數據並進行預處理 140
11.3 使用Pandas DataFrame進行數據預處理 142
11.4 將DataFrame轉換為Array 143
11.5 將ndarray特徵字段進行標準化 145
11.6 將數據分為訓練數據與測試數據 145
11.7 結論 147
第12章 Keras多層感知器預測泰坦尼剋號上旅客的生存概率 148
12.1 數據預處理 149
12.2 建立模型 150
12.3 開始訓練 152
12.4 評估模型準確率 155
12.5 加入《泰坦尼剋號》電影中Jack與Rose的數據 156
12.6 進行預測 157
12.7 找齣泰坦尼剋號背後的感人故事 158
12.8 結論 160
第13章 IMDb網絡電影數據集與自然語言處理 161
13.1 Keras自然語言處理介紹 163
13.2 下載IMDb數據集 167
13.3 讀取IMDb數據 169
13.4 查看IMDb數據 172
13.5 建立token 173
13.6 使用token將“影評文字”轉換成“數字列錶” 174
13.7 讓轉換後的數字長度相同 174
13.8 結論 176
第14章 Keras建立MLP、RNN、LSTM模型進行IMDb情感分析 177
14.1 建立多層感知器模型進行IMDb情感分析 178
14.2 數據預處理 179
14.3 加入嵌入層 180
14.4 建立多層感知器模型 181
14.5 訓練模型 182
14.6 評估模型準確率 184
14.7 進行預測 185
14.8 查看測試數據預測結果 185
14.9 查看《美女與野獸》的影評 187
14.10 預測《美女與野獸》的影評是正麵或負麵的 190
14.11 文字處理時使用較大的字典提取更多文字 192
14.12 RNN模型介紹 193
14.13 使用Keras RNN模型進行IMDb情感分析 195
14.14 LSTM模型介紹 197
14.15 使用Keras LSTM模型進行IMDb情感分析 199
14.16 結論 200
第15章 TensorFlow程序設計模式 201
15.1 建立“計算圖” 202
15.2 執行“計算圖” 204
15.3 TensorFlow placeholder 206
15.4 TensorFlow數值運算方法介紹 207
15.5 TensorBoard 208
15.6 建立一維與二維張量 211
15.7 矩陣基本運算 212
15.8 結論 214
第16章以TensorFlow張量運算仿真神經網絡的運行 215
16.1 以矩陣運算仿真神經網絡 216
16.2 以placeholder傳入X值 220
16.3 創建layer函數以矩陣運算仿真神經網絡 222
16.4 建立layer_debug函數顯示權重與偏差 225
16.5 結論 226
第17章 TensorFlow MNIST手寫數字識彆數據集 227
17.1 下載MNIST數據 228
17.2 查看訓練數據 229
17.3 查看多項訓練數據images與labels 232
17.4 批次讀取MNIST數據 234
17.5 結論 235
第18章 TensorFlow多層感知器識彆手寫數字 236
18.1 TensorFlow建立多層感知器辨識手寫數字的介紹 237
18.2 數據準備 239
18.3 建立模型 239
18.4 定義訓練方式 242
18.5 定義評估模型準確率的方式 243
18.6 進行訓練 244
18.7 評估模型準確率 249
18.8 進行預測 249
18.9 隱藏層加入更多神經元 250
18.10 建立包含兩個隱藏層的多層感知器模型 251
18.11 結論 252
第19章 TensorFlow捲積神經網絡識彆手寫數字 253
19.1 捲積神經網絡簡介 254
19.2 進行數據預處理 255
19.3 建立共享函數 256
19.4 建立模型 258
19.5 定義訓練方式 264
19.6 定義評估模型準確率的方式 264
19.7 進行訓練 265
19.8 評估模型準確率 266
19.9 進行預測 267
19.10 TensorBoard 268
19.11 結論 270
第20章 TensorFlow GPU版本的安裝 271
20.1 確認顯卡是否支持CUDA 273
20.2 安裝CUDA 274
20.3 安裝cuDNN 278
20.4 將cudnn64_5.dll存放的位置加入Path環境變量 281
20.5 在Anaconda建立TensorFlow GPU虛擬環境 283
20.6 安裝TensorFlow GPU版本 285
20.7 安裝Keras 286
20.8 結論 286

第21章使用GPU加快TensorFlow與Keras訓練 287
21.1 啓動TensorFlow GPU環境 288
21.2 測試GPU與CPU執行性能 293
21.3 超齣顯卡內存的限製 296
21.4 以多層感知器的實際範例比較CPU與GPU的執行速度 297
21.5 以CNN的實際範例比較CPU與GPU的執行速度 299
21.6 以Keras Cifar CNN的實際範例比較CPU與GPU的執行速度 302
21.7 結論 304
附錄A 本書範例程序的下載與安裝說明 305
A.1 在Windows係統中下載與安裝範例程序 306
A.2 在Ubuntu Linux係統中下載與安裝範例程序 310

精彩書摘

　　1．多層感知器模型的介紹
　　為瞭能夠識彆MNIST 手寫數字圖像，我們將建立如圖7-1 所示的多層感知器模型。
　　圖7-1
　　2．多層感知器的訓練與預測
　　建立如圖7-2 所示的多層感知器模型後，必須先訓練模型纔能夠進行預測（識彆）這些
　　手寫數字。
　　TensorFlow+Keras深度學習人工智能實踐應用
　　68
　　訓練（Training）
　　數據預處理訓練
　　Features
　　多層感知器模型
　　7 3 9
　　Label
　　預測（Predict）
　　數據預處理
　　訓練完成
　　Features 多層感知器模型
　　預測結果
　　0~9 的數字
　　預測
　　圖7-2
　　以多層感知器模型識彆MNIST 數字圖像可分為訓練與預測。
　　訓練
　　MNIST 數據集的訓練數據共60 000 項，經過數據預處理後會産生Features（數字圖像特
　　徵值）與Label（數字真實的值），然後輸入多層感知器模型進行訓練，訓練完成的模型就可
　　以作為下一階段預測使用。
　　預測
　　輸入數字圖像，預處理後會産生Features（數字圖像特徵值），使用訓練完成的多層感知
　　器模型進行預測，最後産生預測結果是0~9 的數字。
　　3. 建立多層感知器模型的步驟
　　多層感知器識彆MNIST 數據集中的手寫數字的步驟說明如圖7-3所示。
　　圖7-3
　　第7章 Keras多層感知器識彆手寫數字
　　69
　　7.2 進行數據預處理
　　有關讀取MNIST 數據集數據並且進行數據預處理的詳細介紹可參考第6章。
　　導入所需模塊。
　　讀取MNIST 數據。
　　將features（數字圖像特徵值）使用reshape 轉換。
　　下麵的程序代碼將原本28×28 的數字圖像以reshape 轉換成784 個Float 數。
　　將features（數字圖像特徵值）標準化。
　　將features（數字圖像特徵值）標準化可以提高模型預測的準確度，並且更快收斂。
　　label（數字真實的值）以One-Hot Encoding進行轉換。
　　使用np_utils.to_categorical 將訓練數據與測試數據的label 進行One-Hot Encoding轉換。
　　7.3 建立模型
　　我們將建立下列多層感知器模型，輸入層（x）共有784 個神經元，隱藏層（h）共有
　　256 個神經元，輸齣層（y）共有10 個神經元，如圖7-4 所示。我們將使用下麵的程序代碼
　　TensorFlow+Keras深度學習人工智能實踐應用
　　70
　　建立多層感知器模型。
　　圖7-4
　　1．導入所需模塊
　　2．建立Sequential 模型
　　建立一個綫性堆疊模型，後續隻需要使用model.add()方法將各個神經網絡層加入模型
　　即可。
　　3．建立“輸入層”與“隱藏層”
　　以下程序代碼將“輸入層”與“隱藏層”加入模型，使用model.add 方法加入Dense 神
　　經網絡層。Dense 神經網絡層的特色是：所有的上一層與下一層的神經元都完全連接。
　　建立Dense 神經網絡層需輸入錶7-1中的參數。
　　錶7-1 建立Dense神經網絡層所需參數
　　參數參數說明
　　units=256 定義“隱藏層”神經元個數為256
　　input_dim=784
　　設置“輸入層”神經元個數為784（因為原本28×28 的二維圖像，以
　　reshape轉換為一維的嚮量，也就是784 個Float 數）
　　kernel_initializer='normal'
　　使用normal distribution 正態分布的隨機數來初始化weight（權重）和
　　bias（偏差）
　　activation 定義激活函數為relu
　　第7章 Keras多層感知器識彆手寫數字
　　71
　　4．建立“輸齣層”
　　使用下麵的程序代碼建立“輸齣層”，使用model.add 方法加入Dense 神經網絡層，共有
　　10 個神經元，對應0~9 十個數字。並且使用softmax 激活函數進行轉換，softmax 可以將神經
　　元的輸齣轉換為預測每一個數字的概率。
　　建立“輸齣層”輸入錶7-2 中的參數。
　　錶7-2 建立“輸齣層”所需參數
　　參數參數說明
　　units=10 定義“輸齣層”神經元個數為10
　　kernel_initializer='normal' 使用normal distribution正態分布的隨機數來初始化weight與bias
　　activation 定義激活函數為softmax
　　以上建立Dense 神經網絡層不需要設置input_dim，因為Keras 會自動按照上一層的units
　　是256 個神經元，設置這一層的input_dim 為256 個神經元。
　　5．查看模型的摘要
　　我們可以使用下列指令來查看模型的摘要。
　　執行後屏幕顯示界麵如圖7-5所示。
　　輸齣層共 10 個神經元
　　隱藏層共 256 個神經元
　　……

前言/序言

　　前言
　　近年來，人工智能（Artificial Intelligence，AI）吸引瞭大眾與媒體的目光，AlphaGo的成功更加讓人工智能技術變得炙手可熱，其實AI早已進入瞭我們的生活，如手機中的語音助理、人臉識彆、影音平颱每日的推薦等。然而，人工智能的發展纔剛剛起步，未來人工智能的應用將會深入生活的每一個層麵，也就是說未來一定是AI的時代。
　　深度學習是人工智能中成長最快的領域，深度學習就是仿真人類神經網絡的工作方式，常見的深度學習架構有深度神經網絡（DNN）、捲積神經網絡（CNN）、遞歸神經網絡（RNN）等。深度學習特彆適用於視覺識彆、語音識彆、自然語言處理、識彆癌細胞等領域，目前已經取得非常好的效果。
　　近年來，各大科技公司（如Google、Microsoft、Facebook、Amazon、Tesla等）都積極投入到深度學習領域進行研發。以Google公司為例，它在2014年以4億美元並購瞭DeepMind公司。2016年，由DeepMind開發的人工智能圍棋程序AlphaGo以4:1擊敗瞭世界級圍棋冠軍李世石，引起瞭網絡與媒體的注目，讓人們瞭解到深度學習的威力強大。
　　TensorFlow最初由Google Brain Team團隊開發，Google使用TensorFlow進行研究及開發自身産品，並於2015年公開瞭它的源代碼，所有的開發者都可以免費使用。Google的很多産品早就使用瞭機器學習或深度學習，例如Gmail過濾垃圾郵件、Google語音識彆、圖像識彆、翻譯等。
　　TensorFlow功能強大，執行效率高，支持各種平颱。但是，TensorFlow是比較底層的深度學習鏈接庫，學習門檻高，對於從未接觸過深度學習的初學者，如果一開始就學習TensorFlow，就要麵對其特殊的“計算圖”（computational graph）程序設計模式，還必須自行設計張量（Tensor）運算，可能會有很大的挫摺感。
　　所以本書先介紹Keras，這是以TensorFlow為底層的、高級的深度學習鏈接庫，可以很容易地建立深度學習模型，進行訓練並使用模型預測，對初學者而言學習門檻較低。等讀者熟悉瞭深度學習模型後，再去學習TensorFlow就很輕鬆瞭。
　　近年來，深度學習和人工智能技術快速發展的一個很重要的因素是，GPU提供瞭強大的並行運算架構，可以讓深度學習訓練比用CPU來進行要快數十倍。本書也特彆介紹瞭GPU的安裝與應用，讀者隻需要有NVIDIA顯示適配器（顯卡），然後按照本書的介紹依次安裝CUDA、cuDNN、TensorFlow GPU版本與Keras，就可以使用GPU大幅加快深度學習的訓練。
　　林大貴