Keras与深度学习实战

　　本书以Keras深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用Keras进行深度学习的重要内容。全书共7章，内容包括深度学习概述、Keras深度学习通用流程、Keras深度学习基础、基于RetinaNet的目标检测、基于LSTM网络的诗歌生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现诗歌生成等。本书大部分章包含实训和课后习题，通过练习和操作实践，读者可以巩固所学的内容。本书可以作为高校数据科学或人工智能相关专业的教材，也可作为深度学习爱好者的自学用书。

　　黄可坤，男，嘉应学院教授，现任数学学院院长。主要从事模式识别方面的研究，在IEEE TNNLS， TGRS， TIP， TCYB等期刊发表论文20多篇，主持2项深度学习相关的 自然科学基金项目。主讲《深度学习》《模式识别》《数学建模》等课程。被评为全国数学建模竞赛 指导教师，广东省南粤 教师，梅州市 科技工作者等。张良均大数据专家，广东泰迪智能科技股份有限公司董事长， 科技部入库技术专家， 全国专业学位水平评估专家， 教育与考试中心入库专家，中国工业与应用数学学会理事，广东省工业与应用数学学会副理事长，广东省高等职业教育教学指导委员会委员，华南师范大学、中南财经政法大学等40余所高校校外硕导或兼职教授，泰迪杯全国数据挖掘挑战赛发起人。 曾在 外重要学术刊物上发表学术论文10余篇， 编写图书专著60余部，其中获普通高等教育“十一五”规划教材一部，“十三五”职业教育 规划教材一部；参与标准建设4项，主持 课题1项、省部级课题4项。获得SAS、SPSS数据挖掘认证及Hadoop开发工程师证书，具有信访、电力、电信、银行、制造企业、电子商务和电子政务的项目经验和行业背景，并荣获中国产学研合作促进奖、中国南方电网公司发明专利一等奖、广东省农业技术推广二等奖、广州市荔湾区科学技术进步奖。

第 1章　深度学习概述　1
1.1　深度学习简介　1
1.1.1　深度学习的定义　1
1.1.2　深度学习常见应用　2
1.2　深度学习与应用领域　9
1.2.1　深度学习与计算机视觉　9
1.2.2　深度学习与自然语言处理　10
1.2.3　深度学习与语音识别　11
1.2.4　深度学习与机器学习　11
1.2.5　深度学习与人工智能　12
1.3　Keras简介　13
1.3.1　各深度学习框架对比　13
1.3.2　Keras与TensorFlow的关系　15
1.3.3　Keras常见接口　15
1.3.4　Keras特性　17
1.3.5　Keras安装　17
1.3.6　Keras中的预训练模型　20
小结　22
课后习题　23
第　2章 Keras深度学习通用流程　24
2.1　基于全连接网络的手写数字识别实例　24
2.2　数据加载与预处理　28
2.2.1　数据加载　28
2.2.2　数据预处理　31
2.3　构建网络　39
2.3.1　模型生成　39
2.3.2　核心层　40
2.3.3　自定义层　47
2.4　训练网络　51
2.4.1　优化器　51
2.4.2　损失函数　54
2.4.3　训练方法　60
2.5　性能评估　64
2.5.1　性能监控　64
2.5.2　回调检查　69
2.6　模型的保存与加载　77
实训1　利用Keras进行数据加载与增强　79
实训2　利用Keras构建网络并训练　80
小结　80
课后习题　81
第3章　Keras深度学习基础　82
3.1　卷积神经网络基础　82
3.1.1　卷积神经网络中的常用网络层　83
3.1.2　基于卷积神经网络的手写数字识别实例　96
3.1.3　常用卷积神经网络算法及其结构　99
3.2　循环神经网络　106
3.2.1　循环神经网络中的常用网络层　108
3.2.2　基于循环神经网络和Self Attention网络的新闻摘要分类实例　123
3.3　生成对抗网络　131
3.3.1　常用生成对抗网络算法及其结构　131
3.3.2　基于生成对抗网络的手写数字生成实例　135
实训1　卷积神经网络　150
实训2　循环神经网络　151
实训3　生成对抗网络　151
小结　152
课后习题　152
第4章　基于RetinaNet的目标检测　154
4.1　算法简介与目标分析　154
4.1.1　背景介绍　154
4.1.2　目标检测算法概述　155
4.1.3　目标检测相关理论介绍　156
4.1.4　分析目标　158
4.1.5　项目工程结构　158
4.2　数据准备　159
4.2.1　数据集下载　159
4.2.2　图像预处理　160
4.2.3　数据集编码　166
4.2.4　数据集管道设置　171
4.3　构建网络　171
4.3.1　RetinaNet的网络结构　172
4.3.2　构建RetinaNet　173
4.4　训练网络　177
4.4.1　定义损失函数　177
4.4.2　训练网络　180
4.4.3　加载模型测试点　181
4.5　模型预测　182
4.5.1　进行解码与非极大值抑制处理　182
4.5.2　预测结果　184
实训　使用VOC2007数据集训练和测试RetinaNet　186
小结　186
课后习题　186
第5章　基于LSTM网络的诗歌生成　187
5.1　目标分析　187
5.1.1　背景介绍　187
5.1.2　分析目标　188
5.1.3　项目工程结构　189
5.2　文本预处理　189
5.2.1　标识诗句结束点　189
5.2.2　去除低频词　190
5.2.3　构建映射　191
5.3　构建网络　191
5.3.1　设置配置项参数　191
5.3.2　生成训练数据　192
5.3.3　构建LSTM网络　194
5.4　训练网络　194
5.4.1　查看学习情况　194
5.4.2　生成诗句　195
5.4.3　训练网络　196
5.5　结果分析　197
实训　基于LSTM网络的文本生成　199
小结　199
课后习题　199
第6章　基于CycleGAN的图像风格转换　200
6.1　目标分析　200
6.1.1　背景介绍　200
6.1.2　分析目标　201
6.1.3　项目工程结构　201
6.2　数据准备　203
6.3　构建网络　205
6.3.1　定义恒等映射网络函数　206
6.3.2　定义残差网络函数　207
6.3.3　定义生成器函数　208
6.3.4　定义判别器函数　211
6.4　训练网络　212
6.4.1　定义训练过程函数　212
6.4.2　定义生成图像函数　214
6.5　结果分析　215
实训　基于CycleGAN实现莫奈画作与现实风景图像的风格转换　217
小结　217
课后习题　218
第7章　基于TipDM大数据挖掘建模平台实现诗歌生成　219
7.1　平台简介　219
7.1.1　共享库　220
7.1.2　数据连接　220
7.1.3　数据集　221
7.1.4　我的工程　222
7.1.5　个人组件　224
7.2　实现诗歌生成　224
7.2.1　配置数据源　225
7.2.2　文本预处理　227
7.2.3　构建网络　227
7.2.4　训练网络　230
7.2.5　结果分析　234
实训　实现基于TipDM大数据挖掘模平台的文本生成　235
小结　236
课后习题　236