Keras 是一個 Python 深度學習**框架**,方便地定義和訓練幾乎所有類型的深度學習模型。
* 相同的代碼可以在 CPU 或 GPU 上**無縫切換**運行。
* 具有用戶**友好的 API**,便于快速開發深度學習模型的原型。
* 內置支持**卷積網絡**(用于**計算機視覺**)、**循環網絡**(用于**序列處理**)以及二者的任意組合。
* 支持**任意網絡架構**:多輸入或多輸出模型、層共享、模型共享等。
Keras 能夠構建任意深度學習模型,無論是生成式對抗網絡還是神經圖靈機。
*****
Keras 是一個模型級(model-level)的**庫**,為開發深度學習模型提供了高層次的**構建模塊**。
Keras*****不處理*****張量操作、求微分等低層次的*****運算*****。
*****
Keras**依賴**于一個專門的、高度優化的**張量庫**來完成這些**運算**
**張量庫**:Keras 的**后端引擎**(backend engine),**TensorFlow** 后端(推薦)、**Theano** 后端和**微軟認知工具包**(CNTK,Microsoft cognitive toolkit)后端。

*****
**TensorFlow**
* 在CPU上運行時,TensorFlow本身封裝了一個低層次的張量運算庫,叫作Eigen
* 在GPU上運行時,TensorFlow封裝了一個高度優化的深度學習運算庫,叫作NVIDIA CUDA深度神經網絡庫(cuDNN)
- 基礎
- 張量tensor
- 整數序列(列表)=>張量
- 張量運算
- 張量運算的幾何解釋
- 層:深度學習的基礎組件
- 模型:層構成的網絡
- 訓練循環 (training loop)
- 數據類型與層類型、keras
- Keras
- Keras 開發
- Keras使用本地數據
- fit、predict、evaluate
- K 折 交叉驗證
- 二分類問題-基于梯度的優化-訓練
- relu運算
- Dens
- 損失函數與優化器:配置學習過程的關鍵
- 損失-二分類問題
- 優化器
- 過擬合 (overfit)
- 改進
- 小結
- 多分類問題
- 回歸問題
- 章節小結
- 機械學習
- 訓練集、驗證集和測試集
- 三種經典的評估方法
- 模型評估
- 如何準備輸入數據和目標?
- 過擬合與欠擬合
- 減小網絡大小
- 添加權重正則化
- 添加 dropout 正則化
- 通用工作流程
- 計算機視覺
- 卷積神經網絡
- 卷積運算
- 卷積的工作原理
- 訓練一個卷積神經網絡
- 使用預訓練的卷積神經網絡
- VGG16
- VGG16詳細結構
- 為什么不微調整個卷積基?
- 卷積神經網絡的可視化
- 中間輸出(中間激活)
- 過濾器
- 熱力圖
- 文本和序列
- 處理文本數據
- n-gram
- one-hot 編碼 (one-hot encoding)
- 標記嵌入 (token embedding)
- 利用 Embedding 層學習詞嵌入
- 使用預訓練的詞嵌入
- 循環神經網絡
- 循環神經網絡的高級用法
- 溫度預測問題
- code
- 用卷積神經網絡處理序列
- GRU 層
- LSTM層
- 多輸入模型
- 回調函數
- ModelCheckpoint 與 EarlyStopping
- ReduceLROnPlateau
- 自定義回調函數
- TensorBoard_TensorFlow 的可視化框架
- 高級架構模式
- 殘差連接
- 批標準化
- 批再標準化
- 深度可分離卷積
- 超參數優化
- 模型集成
- LSTM
- DeepDream
- 神經風格遷移
- 變分自編碼器
- 生成式對抗網絡
- 術語表