Keras深度學習：入門 實戰與進階（簡體書）

為什麼要寫這本書

人工智能引領了一個新的研究和發展方向，機器學習和深度學習均屬於人工智能範疇。現在各個領域都處於運用深度學習技術進行業務創新和技術創新的階段。Keras是一個對零基礎用戶非常友好且簡單的深度學習框架，它是TensorFlow高級集成API，特點是能夠快速實現模型的搭建。模型快速搭建是高效進行科學研究的關鍵。

本書涵蓋了全連接神經網絡（MLP）、卷積神經網絡（CNN）、迴圈神經網絡（RNN）、自編碼器（AE）、生成式對抗網絡（GAN）等模型原理及Keras實踐，重點講解了如何對圖像資料和中文文本資料進行分析處理，以説明讀者學會訓練這些模型並實現真實的影像處理和語言處理任務。

本書由淺入深、循序漸進，盡可能用通俗易懂的語言講解深度學習各種模型的基本原理，在講解Keras實現深度學習的知識點時更注重方法和經驗的傳遞，力求做到“授之以漁”，讓讀者能將本書所學應用到日常學習或工作中。

本書特色

本書採用大量的實例，覆蓋了使用Keras進行深度學習建模的常用知識，同時對所用實例中的Keras代碼和模型效果均進行了深入解讀，以幫助讀者更好地將所學知識移植到各自的實際工作中。

深度學習在實際工作中常用於圖像資料和文本資料的深度挖掘，本書也詳細闡述了如何對圖像資料和中文文本資料進行資料處理及轉換，以説明初學者瞭解如何將原始資料處理成深度學習模型可以識別的資料。

本書適用物件

本書適合以下人員閱讀：

高等院校相關專業師生；

培訓機構的師生；

資料分析、資料採擷人員；

人工智能、深度學習入門讀者；

資料科學家；

進行深度學習應用研究的科研人員。

如何閱讀本書

全書一共14章，涵蓋了主流深度學習框架介紹、TensorFlow和Keras深度學習環境搭建，以及如何利用Keras開發深度學習模型。本書的重點是深度學習在圖像和文本方面的資料處理及應用，各種深度學習網絡均有相應的實例，目的是讓讀者既能通過本書學到深度學習理論，又能通過實例學習提升動手能力，將所學知識遷移到實際工作中。

第1章首先介紹了機器學習與深度學習的區別及聯繫，以及目前主流的深度學習框架。然後詳細介紹了如何安裝Python的科學計算環境Anaconda、R語言的IDE工具RStudio，以及如何在Anaconda和RStudio中安裝TensorFlow和Keras。最後以深度學習中的入門資料集MNIST為例，介紹如何利用Keras構建深度學習模型。

第2章介紹了深度學習的基礎知識。首先介紹神經網絡常用啟動函數、網絡拓撲結構及損失函數，然後介紹網絡優化的方法及如何防止模型過擬合，最後通過一個綜合實例介紹如何使用技巧優化深度學習神經網絡，提升模型的預測能力。

第3章詳細介紹了如何用Keras開發深度學習模型。內容包括Keras模型的生命週期、Keras的兩種模型、模型可視化、Keras中的回呼函數與模型的保存及序列化等。

第4章介紹了深度學習的圖像資料預處理技術。首先重點介紹了影像處理EBImage包的使用，包含圖像的讀取和保存、影像處理等技術，然後介紹了利用Keras如何進行圖像預處理，最後通過一個綜合實例介紹了如何對小資料集的彩色花圖像進行批量讀取及處理，並建立多種深度學習模型來對比效果，及通過資料增強技術提升模型的預測能力。

第5章～第9章分別詳細介紹了深度學習常用的神經網絡模型：全連接神經網絡、卷積神經網絡、迴圈神經網絡、自編碼器和生成式對抗網絡。

第5章通過多個實例引導讀者如何用全連接神經網絡解決各種經典的預測問題，包含波士頓房價預測的回歸問題、鳶尾花分類和彩色手寫數字圖像識別的多分類問題、印第安人糖尿病診斷和泰坦尼克號旅客生存預測的二分類問題。

第6章首先介紹了卷積神經網絡的基本原理及Keras實現，並通過多個實例説明讀者掌握卷積神經網絡的使用，包含小資料集的圖像識別、彩色手寫數字圖像識別以及經典的CIFAR-10圖像識別的多分類實例。

第7章首先介紹了簡單迴圈網絡（SimpleRNN）的基本原理及Keras實現，並利用SimpleRNN實現手寫數字識別及預測紐約出生人口數量。然後介紹了長短期記憶網絡（LSTM）的基本原理及Keras實現，並利用LSTM實現股價預測。最後介紹了門控迴圈單元網絡（GRU）的基本原理及Keras實現，並基於GRU網絡對溫度進行預測。

第8章介紹了自編碼器的基本結構以及常用自編碼器（稀疏自編碼器、降噪自編碼器以及棧式自編碼器）的基本原理及Keras實現，並利用兩個實例引導讀者將自編碼器應用在不同的實際場景中。

第9章首先介紹了生成式對抗網絡（GAN）的基本原理，然後給出了兩個實例：使用GAN生成手寫數字，深度卷積生成式對抗網絡。

第10章～第13章詳細介紹了利用深度學習對文本資料進行預處理及建模的技術，並重點介紹了對中文文本的處理及建模。

第10章介紹了R語言用於文本挖掘的常用擴展包，包括tm包、tmcn包、Rwordseg包、jiebaR包以及tidytext包。

第11章介紹了如何使用Keras處理文本資料，包括文本分詞、獨熱編碼、分詞器和填充文本序列，還介紹了詞嵌入。

第12章首先介紹IMDB影評資料集，接著利用機器學習進行情感分析，最後利用多種深度學習模型進行情感分析。

第13章首先對新浪體育新聞進行文本分析，然後分別利用機器學習（樸素貝葉斯、決策樹、隨機森林、GBM、人工神經網絡）和深度學習（MLP、CNN、RNN、LSTM、GRU、雙向LSTM）進行中文文本分類。

第14章首先對遷移學習和Keras預訓練模型進行概述，接著對VGGNet模型進行概述，最後對ResNet原理進行概述，並演示如何通過Keras的預訓練ResNet50模型實現圖像預測。

勘誤和支持

由於筆者的水準有限，加之編寫時間倉促，書中難免會出現錯誤或者不準確的地方，懇請讀者批評指正。讀者可以把意見或建議直接發至我的郵箱，我將盡力提供滿意的解答。期待你們的回饋。

書中全部資料及原始程式碼都可以從華章公司網站下載。

配套視頻+PPT+全部資料及原始程式碼

獲取方式：

1、微信關注“華章計算機”

2、在後臺回復關鍵字：Keras

致謝

感謝機械工業出版社華章公司楊福川的信任，感謝編輯李藝説明我審閱全部章節。有了你們的支持、鼓勵和幫助，本書才得以順利出版。

感謝家人，感謝你們一直以來的理解、陪伴和支持。

謹以此書獻給我最親愛的家人以及眾多深度學習愛好者及從業者！

謝佳標

2021年6月

前言
第1章　準備深度學習的環境1
1.1　機器學習與深度學習1
1.2　主流深度學習框架介紹4
1.2.1　TensorFlow4
1.2.2　Keras5
1.2.3　Caffe5
1.2.4　PyTorch6
1.2.5　Theano6
1.2.6　CNTK6
1.2.7　MXNet7
1.2.8　ONNX7
1.3　配置深度學習的軟件環境8
1.3.1　安裝Anaconda8
1.3.2　在Anaconda中安裝TensorFlow8
1.3.3　在Anaconda中安裝Keras10
1.3.4　安裝R和RStudio10
1.3.5　在RStudio中安裝TensorFlow12
1.3.6　在RStudio中安裝Keras12
1.4　Keras構建深度學習模型13
1.4.1　MNIST數據集13
1.4.2　數據預處理14
1.4.3　模型建立及訓練16
1.4.4　模型評估及預測18
1.5　本章小結22
第2章　深度學習簡介23
2.1　神經網絡基礎23
2.1.1　神經元23
2.1.2　激活函數24
2.1.3　神經網絡的拓撲結構30
2.1.4　神經網絡的主要類型31
2.1.5　損失函數32
2.2　優化網絡的方法33
2.2.1　梯度下降算法33
2.2.2　自適應學習率算法37
2.3　防止模型過擬合42
2.3.1　過擬合與欠擬合42
2.3.2　正則化的方法43
2.3.3　數據拆分44
2.3.4　Dropout45
2.4　綜合實例：電信流失用戶預測46
2.4.1　數據預處理46
2.4.2　選擇優化器47
2.4.3　增加內部隱藏層神經元數量48
2.4.4　採用正則化避免過擬合49
2.5　本章小結52
第3章　如何用Keras開發深度學習模型53
3.1　Keras模型的生命週期53
3.1.1　數據預處理53
3.1.2　定義網絡56
3.1.3　編譯網絡58
3.1.4　訓練網絡58
3.1.5　評估網絡60
3.1.6　做出預測61
3.2　Keras模型61
3.2.1　序貫模型61
3.2.2　使用函數式API創建的模型63
3.3　模型可視化66
3.3.1　網絡拓撲可視化66
3.3.2　模型訓練可視化67
3.3.3　TensorBoard可視化70
3.4　Keras中的回調函數77
3.4.1　回調函數介紹77
3.3.2　使用回調函數尋找最優模型80
3.5　模型保存及序列化82
3.5.1　使用HDF5格式保存模型83
3.5.2　使用JSON格式保存模型87
3.5.3　使用YAML格式保存模型88
3.6　本章小結88
第4章　深度學習的圖像數據預處理89
4.1　圖像處理EBImage包89
4.1.1　圖像讀取與保存89
4.1.2　圖像對象和矩陣91
4.1.3　色彩管理94
4.1.4　圖像處理97
4.1.5　空間變換99
4.1.6　圖像濾波102
4.1.7　形態運算105
4.1.8　圖像分割106
4.2　利用Keras進行圖像預處理107
4.2.1　圖像讀取與保存107
4.2.2　圖像生成器image_data_generator110
4.2.3　image_data_generator實例115
4.3　綜合實例：對彩色花圖像進行分類118
4.3.1　圖像數據讀取及探索118
4.3.2　MLP模型建立及預測122
4.3.3　CNN模型建立與預測124
4.3.4　利用數據增強改善CNN模型126
4.4　本章小結128
第5章　全連接神經網絡的經典實例129
5.1　回歸問題實例：波士頓房價預測129
5.1.1　波士頓房價數據描述129
5.1.2　波士頓房價數據預處理131
5.1.3　波士頓房價預測131
5.2　多分類實例：鳶尾花分類134
5.2.1　鳶尾花數據描述134
5.2.2　鳶尾花數據預處理136
5.2.3　鳶尾花分類建模137
5.3　二分類實例：印第安人糖尿病診斷139
5.3.1　印第安人糖尿病數據描述139
5.3.2　印第安人糖尿病數據預處理141
5.3.3　印第安人糖尿病診斷建模142
5.4　二分類實例：泰坦尼克號上旅客生存預測144
5.4.1　泰坦尼克號的旅客數據描述145
5.4.2　泰坦尼克號的旅客數據預處理146
5.4.3　生存預測建模149
5.5　多分類實例：彩色手寫數字圖像識別151
5.5.1　彩色手寫數字圖像數據描述151
5.5.2　彩色手寫數字圖像數據預處理152
5.5.3　彩色手寫數字圖像數據建模155
5.6　本章小結158
第6章　卷積神經網絡及圖像分類159
6.1　卷積神經網絡原理159
6.1.1　卷積層161
6.1.2　卷積層的Keras實現163
6.1.3　池化層167
6.1.4　池化層的Keras實現168
6.1.5　全連接層171
6.2　多分類實例：小數據集的圖像識別171
6.2.1　導入本地圖像數據171
6.2.2　圖像數據預處理173
6.2.3　建立全連接神經網絡模型識別小數據集圖像175
6.2.4　建立簡單卷積神經網絡識別小數據集圖像177
6.2.5　建立複雜卷積神經網絡識別小數據集圖像180
6.3　多分類實例：彩色手寫數字圖像識別183
6.3.1　導入及處理本地手寫數字圖像183
6.3.2　MNIST數據預處理185
6.3.3　構建簡單卷積神經網絡識別彩色手寫數字186
6.3.4　構建複雜卷積神經網絡識別彩色手寫數字189
6.4　多分類實例：CIFAR-10圖像識別192
6.4.1　CIFAR-10數據描述192
6.4.2　加載CIFAR-10數據192
6.4.3　CIFAR-10數據預處理194
6.4.4　構建簡單卷積神經網絡識別CIFAR-10圖像1