[TOC] # :-: 前言 　　深度學習和人工智能引領了一個新的研究和發展方向,同時正在改變人類固有的處理問題和解決問題的方法和認知。現在各個領域都處于運用深度學習技術進行本領域重大突破技術的階段,與此同時深度學習本身也展現出巨大的發展空間。 　　Keras是專門用作深度學習的人工神經網絡框架,它使用嚴謹、迅捷的 Tensorflow作為后端計算程序,給使用者提供了一個“便于入門,能夠提高”的深度學習實現方案。 　　Keras代碼結構采用面向對象方法編寫,完全模塊化,并具有可擴展性,其運行機制和說 明文檔都將用戶體驗和使用難度納入考慮,降低了復雜算法的實現難度。 Keras支持現代人工智能領域的主流算法,包括前饋結構和遞歸結構的神經網絡,也可以通過封裝參與構建統計學習模型。在硬件和開發環境方面, Keras支持多操作系統下的多GPU并行計算,可以根據后臺設置轉化為符合 Tensorelow代碼要求的運行環境,從而無縫調用 Tensorflow作為其計算后臺。 　　本書由淺到深地介紹 Keras框架相關的知識,重要內容均結合代碼進行實戰講解,讀者通過這些實例可以深入掌握 Keras程序設計的內容,并對深度學習有進一步的了解 ## 源碼、數據集與開發環境下載 本書配套的源碼、數據集與開發環境可用微信掃描清華社網盤二維碼下 載(可按頁面提示,把下載鏈接發到自己的郵箱中,在PC上下載) ## 本書特色 ### 版本新,易入門 　　本書詳細介紹 Keras最新版本的安裝和使用,包括 Keras的默認API和后端 Tensorflow2.2 ### 作者經驗豐富,代碼編寫細膩 　　作者是長期奮戰在科研和工業界的一線算法設計和程序編寫人員,實戰經驗豐富,對代碼中可能會出現的各種問題和“坑”有豐富的處理經驗,這些經驗可使讀者少走很多彎路 ### 理論扎實,深入淺出 　　在代碼設計的基礎上,本書深入淺出地介紹深度學習需要掌握的一些基本理論知識,并通過大量的公式與圖示對理論進行介紹。 ### 對比多種應用方案,實戰案例豐富 本書采用大量的實例,同時提供一些實現同類功能的解決方案,覆蓋了使用Tensorflow+ Keras進行深度學習開發中常用的知識。 ## 本書內容體系 ### 第1章深度學習與應用框架 本章介紹深度學習的基本理念、基礎,并通過一個真實的深度學習例子向讀者展示深度學習的一般訓練步驟,之后對比 Keras和其他深度學習框架,說明使用 Keras進行深度學習開發的簡易和便捷性。 ### 第2章 Hello Tensorflon& Keras 本章著重介紹 Tensorflow& Keras的環境搭建與安裝方法,初步介紹 Keras函數式編程的基本API,并以全連接層這個最常用的神經網絡基礎層為例向讀者詳細介紹全連接層的理論基時和Km的全實現,并在此基礎上介紹部分KBs的常用功能,例如Kems自帶的型庫 ### 第3章深度學習的理論基礎 本章主要介紹深度學習的理論基礎,從BP神經網絡開始,介紹神經網絡兩個基礎算法,并著重介紹反向傳播算法的完整過程和理論,最后通過編寫基本 Python的方式實現一個完整的反饋神經網絡。 ### 第4章卷積層與 MNIST實戰 本章主要介紹卷積層的函數實現以及池化、激活和分類函數 softmax I的原理,并通過一個MNIST數據集介紹使用卷積層的使用方法,最后演示一個基本卷積神經網絡的作用。 ### 第5章多層感知機與 MNIST實戰 本章是卷積神經網絡的實戰內容,主要通過演示一個多層感知機向讀者介紹使用神經網絡進行訓練的一些內容,例如激活函數、神經網絡的正則化、 dropout(隨機失活)方法等這些內容主要涉及神經網絡預防過擬合的內容,能夠幫助讀者更加完整地掌握神經網絡的訓練方法 ### 第6章 Tensorflow Datasets和 Tensorboard 本章主要介紹 Tensorflow2.2中兩個新的高級API。 Tensorflow Datasets簡化了數據集的獲取與使用。 Tensorflow Datasets中的數據集依舊在不停地増加中。 Tensorboard是可視化模型訓練過程的利器,通過其對模型訓練過程不同維度的觀測可以幫助用戶對模型進行訓練。 ### 第7章從冠軍開始: Resnet 本章主要介紹神經網絡具有里程碑意義的模型一- Resnet。它改變了人們僅僅依靠堆積神經網絡層來獲取更高性能的做法,在一定程度上解決了梯度消失和梯度爆炸的問題。這是一項跨時代的發明。本章以手把手的方式向讀者介紹 Block模型的編寫和架構方法 ### 第8章實戰一一有趣的詞嵌入 本章介紹自然語言處理的一些內容,通過一個完整的例子向讀者介紹自然語言處理所需 要的全部內容,一步步地教會讀者使用不同的架構和維度進行文本分類的方法。 ### 第9章實戰一一站在巨人肩膀上的情感分類實戰 本章介紹使用時間序列GRU進行特征提取并最終完成情感分類的任務和工作。這是對使 用巻積層做情感分類的補充。 ## 本書讀者 * 人工智能入門讀者 * 深度學習入門讀者 * 機器學習入門讀者 * 高等院校人工智能專業的師生 * 專業培訓機構的師生 * 其他對智能化、自動化感興趣的開發者 ## 技術支持、勘誤和鳴謝 由于作者的水平有限,加上 Keras的演進較快,書中難免存在疏漏之處,懇請讀者來信批評指正。技術支持電子郵箱booksagat@163.com,郵件主題為“Keras實戰”。感謝家人的支持和理解,這些都給子我莫大的動力,讓自己的努力更加有意義。 著者 2021年1月