深度學習訓練營：21天實戰TensorFlow+Keras+scikit-learn（簡體書）

本書基於TensorFlow、Keras和scikit-learn，介紹了21個典型的人工智能應用場景。全書共3篇，分別是預測類項目實戰篇、識別類項目實戰篇和生成類項目實戰篇。其中預測類項目包括房價預測、泰坦尼克號生還預測、共享單車使用情況預測、福彩3D中獎預測、股票走勢預測等8個項目；識別類項目包括數字識別、人臉識別、表情識別、人體姿態識別等7個項目；生成類項目包括看圖寫話、生成電視劇劇本、風格遷移、生成人臉等6個項目。
本書代碼豐富，注釋詳盡，適合有一定Python基礎的讀者，包括計算機相關專業的學生、程序員和人工智能神經網絡的技術愛好者。

以Python為基礎的編程語言編寫神經網絡代碼 21個常見的深度學習的現實應用場景 以*流行的TensorFlow和Keras的深度學習框架為基礎的編寫 沒有複雜的公式和方程，不需要推導和求解，直接上手編寫代碼 熟悉其它編程語言的初級程序員也可以快速上手 借助Linux創始人的一句話來說：Talk is cheap, show me the code

第 1章 房價預測
1.1 數據準備
1.1.1 環境準備
1.1.2 預處理數據
1.1.3 數據可視化分析
1.2 基於scikit-learn實現房價預測
1.2.1 衡量R2值
1.2.2 模型性能對比
1.2.3 網格搜索模型
1.2.4 波士頓房價預測
1.2.5 北京房價預測
1.3 基於Keras實現房價預測
1.3.1 數據準備
1.3.2 創建神經網絡模型
1.3.3 訓練網絡模型
1.3.4 可視化模型的結果
1.3.5 評估和預測模型
1.3.6 預測可視化顯示
1.4 小結
第 2章 泰坦尼克號生還預測
2.1 數據準備
2.1.1 環境準備
2.1.2 預處理數據
2.1.3 缺失值處理
2.1.4 數據清洗與分割
2.2 基於決策樹模型預測
2.2.1 訓練
2.2.2 預測
2.3 基於邏輯回歸模型預測
2.3.1 訓練
2.3.2 預測
2.4 基於梯度提升分類器模型預測
2.4.1 訓練
2.4.2 預測
2.5 基於神經網絡模型預測
2.5.1 訓練
2.5.2 預測
2.5.3 繪製曲線圖
2.6 基於Keras的神經網絡模型預測
2.6.1 訓練
2.6.2 預測
2.7 小結
第3章 共享單車使用情況預測
3.1 數據準備
3.1.1 環境準備
3.1.2 數據可視化
3.1.3 預處理數據
3.1.4 數據清洗與分割
3.2 基於TensorFlow的長短期記憶網絡模型預測
3.2.1 處理序列
3.2.2 參數準備
3.2.3 創建LSTM模型
3.2.4 訓練模型
3.2.5 模型預覽與測試
3.2.6 對比預測值模型預覽
3.3 小結
第4章 福彩3D中獎預測
4.1 數據準備
4.1.1 環境準備
4.1.2 數據準備
4.1.3 數據預處理
4.1.4 數據可視化
4.2 基於神經網絡模型預測
4.2.1 決策樹
4.2.2 多層感知器
4.2.3 時間序列基礎
4.2.4 時間序列預測
4.2.5 根據開獎號碼單變量單個位數預測
4.3 小結
第5章 股票走勢預測
5.1 數據準備
5.1.1 環境準備
5.1.2 數據集說明
5.2 百度股票預測
5.2.1 數據準備
5.2.2 數據可視化
5.2.3 計算購買的股票收益
5.2.4 訓練和評估模型
5.2.5 股票預測
5.2.6 股票買入策略
5.3 微軟股票預測
5.3.1 數據準備
5.3.2 數據可視化
5.3.3 計算購買的股票收益
5.3.4 訓練和評估模型
5.3.5 股票預測
5.3.6 股票買入戰略
5.4 小結
第6章 垃圾郵件預測
6.1 數據準備
6.1.1 環境準備
6.1.2 數據準備
6.1.3 數據預處理
6.2 基於多項式樸素貝葉斯的郵件分類
6.2.1 數據處理
6.2.2 創建和訓練模型
6.2.3 測試模型
6.3 基於TensorFlow的神經網絡模型的郵件分類
6.3.1 構建N-Gram向量化數據
6.3.2 創建模型
6.3.3 訓練模型
6.3.4 可視化訓練結果
6.4 小結
第7章 影評的情感分析
7.1 數據準備
7.1.1 環境準備
7.1.2 預處理數據
7.1.3 數據集編碼
7.1.4 數據集分割
7.2 基於TensorFlow的長短期記憶網絡實現影評的情感分析
7.2.1 參數準備
7.2.2 創建LSTM模型
7.2.3 訓練模型
7.2.4 模型測試
7.3 基於Keras的長短期記憶網絡實現影評的情感分析
7.3.1 數據預處理
7.3.2 創建模型
7.3.3 預覽模型架構
7.3.4 訓練模型
7.3.5 模型評估
7.4 小結
第8章 語言翻譯
8.1 數據準備
8.1.1 環境準備
8.1.2 數據準備
8.1.3 數據預處理
8.2 基於Keras的長短期記憶網絡實現語言翻譯
8.2.1 Tokenize文本數據
8.2.2 數據編碼和填充
8.2.3 創建模型
8.2.4 訓練模型
8.2.5 測試模型
第二篇 識別類項目實戰
第9章 MNIST手寫數字識別
9.1 MNIST數據集
9.1.1 簡介
9.1.2 數據下載
9.1.3 可視化數據
9.2 基於多層感知器的TensorFlow實現MNIST識別
9.2.1 參數準備
9.2.2 創建模型
9.2.3 訓練模型
9.2.4 模型預測
9.3 基於多層感知器的Keras實現MNIST識別
9.3.1 數據準備
9.3.2 創建模型
9.3.3 訓練模型
9.3.4 模型預測
9.3.5 單張圖像預測
9.4 基於卷積神經網絡的TensorFlow實現MNIST識別
9.4.1 參數準備
9.4.2 創建模型
9.4.3 訓練模型
9.4.4 模型預測
9.5 基於卷積神經網絡的Keras實現MNIST識別
9.5.1 數據準備
9.5.2 創建模型
9.5.3 訓練模型
9.5.4 模型預測
9.5.5 單張圖像預測
9.6 小結
第 10章 狗狗的品種識別
10.1 數據準備
10.1.1 環境準備
10.1.2 數據可視化
10.1.3 預處理數據
10.2 基於Keras的卷積神經網絡模型預測
10.2.1 創建模型
10.2.2 訓練模型
10.2.3 模型評估
10.3 基於Keras的InceptionV3預訓練模型實現預測
10.3.1 模型函數聲明
10.3.2 預測單張圖片
10.4 基於TFHUB的Keras的遷移學習實現預測
10.4.1 數據集下載和準備
10.4.2 預訓練模型下載
10.4.3 創建模型
10.4.4 訓練模型
10.4.5 測試模型
10.4.6 模型預測單張圖片
10.5 小結
第 11章 人臉識別
11.1 數據準備
11.1.1 環境準備
11.1.2 數據下載和分析
11.1.3 人臉圖像數據預覽
11.2 基於FaceNet的人臉對齊和驗證
11.2.1 下載和對齊圖像
11.2.2 在LFW上驗證
11.3 訓練自己的人臉識別模型
11.3.1 圖像數據準備和對齊
11.3.2 訓練模型
11.3.3 驗證模型
11.3.4 再訓練模型
11.3.5 再評估模型
11.3.6 將模型CheckPoints文件轉換成pb文件
11.4 基於FaceRecognition的人臉識別
11.4.1 配置環境
11.4.2 人臉圖像檢測
11.4.3 實時人臉識別
11.5 小結
第 12章 人臉面部表情識別
12.1 基於Keras的卷積神經網絡實現人臉面部表情識別
12.1.1 環境準備
12.1.2 數據準備
12.1.3 數據集分割
12.1.4 數據集預處理
12.1.5 構建CNN模型
12.1.6 圖片增強與訓練模型
12.1.7 評估模型
12.1.8 保存與讀取模型
12.1.9 單張圖片測試模型
12.2 對視頻中的人臉面部做表情識別
12.2.1 讀取模型
12.2.2 模型參數定義
12.2.3 視頻的幀處理函數定義
12.2.4 識別與轉換視頻
12.3 實時人臉面部表情識別
12.3.1 模型參數定義
12.3.2 啟動攝像頭和識別處理
12.4 小結
第 13章 人體姿態識別
13.1 基於TensorFlow實現人體姿態識別
13.1.1 環境準備
13.1.2 下載與安裝
13.1.3 單張圖像識別
13.1.4 視頻內容裡的人的姿態識別
13.1.5 實時攝像識別
13.2 基於Keras實現人體姿態識別
13.2.1 環境準備
13.2.2 下載倉庫
13.2.3 單張圖像識別
13.2.4 視頻內容裡的人的姿態識別
13.2.5 實時攝像識別
13.3 小結
第 14章 皮膚癌分類
14.1 數據準備
14.1.1 環境準備
14.1.2 數據下載
14.1.3 數據可視化
14.2 基於Keras的卷積神經網絡實現分類
14.2.1 數據預處理
14.2.2 創建CNN模型
14.2.3 編譯模型
14.2.4 訓練模型
14.2.5 評估模型和圖像測試
14.3 基於TensorFlow的遷移學習實現分類
14.3.1 數據準備
14.3.2 訓練模型
14.3.3 驗證模型
14.3.4 Tensorboard可視化
14.4 小結
第 15章 對象檢測
15.1 對象檢測的應用領域
15.1.1 無人機應用領域
15.1.2 自動駕駛汽車應用領域
15.1.3 無人超市應用領域
15.2 原理分析
15.2.1 R-CNN的介紹與分析
15.2.2 Faster R-CNN的介紹與分析
15.2.3 Mask R-CNN的介紹與分析
15.3 基於Mask R-CNN Inception COCO的圖片對象檢測
15.3.1 環境準備
15.3.2 導入Packages
15.3.3 下載 Mask R-CNN Inception 2018 預訓練模型
15.3.4 加載模型到內存中
15.3.5 加載類別映射
15.3.6 定義函數將圖片轉為Numpy數組
15.3.7 定義圖像對象檢測函數
15.3.8 檢測圖像中的對象
15.3.9 效果預覽
15.4 基於Faster R-CNN Inception COCO的視頻實時對象檢測
15.4.1 環境準備
15.4.2 導入Packages
15.4.3 下載Faster R-CNN Inception 2018預訓練模型
15.4.4 加載模型到內存中
15.4.5 加載類別映射
15.4.6 定義視頻中的圖像對象檢測函數
15.4.7 定義視頻中的圖像處理函數
15.4.8 視頻中的圖像對象檢測
15.4.9 效果預覽
15.5 基於 SSD MobileNet COCO的實時對象檢測
15.5.1 環境準備
15.5.2 導入Packages
15.5.3 下載 SSD MobileNet 2018 預訓練模型
15.5.4 加載模型到內存中
15.5.5 加載類別映射
15.5.6 開啟實時對象檢測
15.5.7 效果預覽
15.6 小結
第三篇 生成類項目實戰
第 16章 看圖寫話
16.1 數據準備
16.1.1 環境準備
16.1.2 數據下載
16.1.3 數據預處理
16.2 基於TensorFlow的Show and Tell實現看圖寫話
16.2.1 數據統計
16.2.2 構建TFRecords格式數據
16.2.3 訓練模型
16.2.4 評估模型
16.2.5 測試模型
16.3 小結
第 17章 生成電視劇劇本
17.1 數據準備
17.1.1 環境準備
17.1.2 數據預處理
17.1.3 數據可視化分析
17.2 基於TensorFlow的循環神經網絡實現生成電視劇劇本
17.2.1 創建檢查表
17.2.2 數據token化預處理
17.2.3 創建Tensor占位符和學習率
17.2.4 初始化RNN Cell
17.2.5 創建Embedding
17.2.6 創建神經網絡
17.2.7 創建超參數和優化器
17.2.8 訓練神經網絡模型
17.2.9 生成電視劇劇本
17.3 基於Textgenrnn來實現生成電視劇劇本
17.3.1 訓練模型
17.3.2 生成劇本文本
17.4 小結
第 18章 風格遷移
18.1 基於TensorFlow實現神經風格遷移
18.1.1 環境準備
18.1.2 圖像預覽
18.1.3 處理圖像
18.1.4 模型獲取
18.1.5 損失函數計算
18.1.6 訓練模型與圖像生成
18.2 基於Keras實現神經風格遷移
18.2.1 圖像預覽
18.2.2 圖片處理
18.2.3 獲取模型
18.2.4 損失函數計算
18.2.5 迭代與生成風格圖像
18.3 小結
第 19章 生成人臉
19.1 基於TensorFlow的GAN實現MNIST數字圖像生成
19.1.1 環境準備
19.1.2 MNIST數字圖像數據準備
19.1.3 隨機查看25張圖像
19.1.4 構建模型輸入
19.1.5 構建辨別器
19.1.6 構建生成器
19.1.7 計算模型損失
19.1.8 構建優化器
19.1.9 構建訓練模型時的圖像輸出
19.1.10 構建訓練模型函數
19.1.11 訓練MNIST數據集的GAN模型
19.2 基於TensorFlow的GAN實現LFW人臉圖像生成
19.2.1 人臉圖像數據準備
19.2.2 訓練LFW數據集的GAN模型
19.3 小結
第 20章 圖像超分辨率
20.1 效果預覽與數據準備
20.1.1 效果預覽
20.1.2 環境準備
20.1.3 數據準備
20.2 基於TensorFlow的DCGAN實現超分辨率
20.2.1 下載srez代碼庫
20.2.2 訓練模型將模糊圖像生成清晰圖像
20.2.3 輸出效果預覽
20.2.4 生成效果圖視頻
20.2.5 圖片放大高清化
20.3 srez庫的代碼分析
20.3.1 主入口函數代碼分析
20.3.2 創建模型代碼分析
20.3.3 訓練模型代碼分析
20.4 小結
第 21章 移花接木
21.1 基本信息
21.1.1 三種模型效果預覽
21.1.2 環境準備
21.1.3 圖片數據集準備
21.1.4 CycleGAN網絡模型架構
21.2 基於CycleGAN將蘋果生成橘子
21.2.1 下載代碼庫
21.2.2 圖片數據處理
21.2.3 訓練模型
21.2.4 導出模型
21.2.5 測試圖片
21.3 基於CycleGAN將馬生成斑馬
21.3.1 圖片數據處理
21.3.2 訓練模型
21.3.3 導出模型
21.3.4 測試圖片
21.4 男性和女性的人臉面貌互換
21.4.1 環境準備
21.4.2 計算和生成模型
21.4.3 代碼分析
21.5 小結