TensorFlow+Keras深度学习人工智能实践应用

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。  [1]  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。

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  [1-2]

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LinuxUbuntu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KerasMNIST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

6.5features数据预处理  62

6.6label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

7.1Keras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KerasCIFAR-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PandasDataFrame读取数据并进行预处理  140

11.3使用PandasDataFrame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  [3]

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

13.1Keras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

14.12RNN模型介绍  193

14.13使用KerasRNN模型进行IMDb情感分析  195

14.14LSTM模型介绍  197

14.15使用KerasLSTM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

15.3TensorFlowplaceholder  206

15.4TensorFlow数值运算方法介绍  207

15.5TensorBoard  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TensorFlowMNIST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

18.1TensorFlow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

19.10TensorBoard  268

19.11结论  270

第20章TensorFlowGPU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TensorFlowGPU虚拟环境  283

20.6安装TensorFlowGPU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TensorFlowGPU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KerasCifarCNN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UbuntuLinux系统中下载与安装范例程序  310