深度学习：Keras快速开发入门 PDF 清晰扫描版

深度学习：Keras快速开发入门

内容节选

Keras 是一个用于构建和训练深度学习模型的高阶 API。它可用于快速设计原型、高级研究和生产，具有以下三个主要优势：

• 方便用户使用
• Keras 具有针对常见用例做出优化的简单而一致的界面。它可针对用户错误提供切实可行的清晰反馈。
• 模块化和可组合
• 将可配置的构造块连接在一起就可以构建 Keras 模型，并且几乎不受限制。
• 易于扩展

可以编写自定义构造块以表达新的研究创意，并且可以创建新层、损失函数并开发先进的模型。

导入 tf.keras

tf.keras 是 TensorFlow 对 Keras API 规范的实现。这是一个用于构建和训练模型的高阶 API，包含对 TensorFlow 特定功能（例如 Eager Execution、tf.data 管道和 Estimator）的顶级支持。 tf.keras 使 TensorFlow 更易于使用，并且不会牺牲灵活性和性能。
首先，导入 tf.keras 以设置 TensorFlow 程序：

import tensorflow as tf
from tensorflow.keras import layers

print(tf.VERSION)
print(tf.keras.__version__)

1.11.0
2.1.6-tf

tf.keras 可以运行任何与 Keras 兼容的代码，但请注意：

最新版 TensorFlow 中的 tf.keras 版本可能与 PyPI 中的最新 keras 版本不同。请查看 tf.keras.version。
保存模型的权重时，tf.keras 默认采用检查点格式。请传递 save_format='h5' 以使用 HDF5。

构建简单的模型

序列模型

在 Keras 中，您可以通过组合层来构建模型。模型（通常）是由层构成的图。最常见的模型类型是层的堆叠：tf.keras.Sequential 模型。

内容介绍

《深度学习：Keras快速开发入门》首先介绍了深度学习相关的理论和主流的深度学习框架，对比了不同深度学习框架的优缺点，以Keras这一具有高度模块化，极简式的高层深度学习框架为切入点，从Keras的安装、配置和编译等基本环境入手，详细介绍了Keras的模型、网络结构、数据预处理方法、参数配置以及调试技巧和可视化工具。帮助读者快速掌握一款深度学习框架，从而解决工作和学习当中神经网络模型的使用问题。同时，《深度学习：Keras快速开发入门》还介绍了如何用Keras快速构建深度学习原型并着手实战。最后通过Kaggle的知识竞赛实例向读者展示Keras作为深度学习开发工具的强大之处，从而帮助读者迅速获得深度学习开发经验。

《深度学习：Keras快速开发入门》是一本实践性很强的深度学习工具书，适合希望快速学习和使用Keras深度学习框架的工程师、学者和从业者。特别适合立志从事深度学习和AI相关的行业，并且对于希望用Keras开发实际项目的工程技术人员，是非常实用的参考手册和工具书。

目录

• 第1章　Keras概述 1
• 1.1 Keras简介 1
• 1.1.1 Keras 2 1
• 1.1.2 Keras功能构成 4
• 1.2 Keras特点 6
• 1.3 主要深度学习框架 8
• 1.3.1 Caffe 8
• 1.3.2 Torch 10
• 1.3.3 Keras 12
• 1.3.4 MXNet 12
• 1.3.5 TensorFlow 13
• 1.3.5 CNTK 14
• 1.3.6 Theano 14
• 第2章　Keras的安装与配置 16
• 2.1 Windows环境下安装Keras 16
• 2.1.1 硬件配置 16
• 2.1.2 Windows版本 18
• 2.1.3 Microsoft Visual Studio版本 18
• 2.1.4 Python环境 18
• 2.1.5 CUDA 18
• 2.1.6 加速库CuDNN 19
• 2.1.7 Keras框架的安装 19
• 2.2 Linux环境下的安装 20
• 2.2.1 硬件配置 20
• 2.2.2 Linux版本 21
• 2.2.3 Ubuntu环境的设置 22
• 2.2.4 CUDA开发环境 22
• 2.2.5 加速库cuDNN 23
• 2.2.6 Keras框架安装 24
• 第3章　Keras快速上手 25
• 3.1 基本概念 25
• 3.2 初识Sequential模型 29
• 3.3 一个MNIST手写数字实例 30
• 3.3.1 MNIST数据准备 30
• 3.3.2 建立模型 31
• 3.3.3 训练模型 32
• 第4章　Keras模型的定义 36
• 4.1 Keras模型 36
• 4.2 Sequential模型 38
• 4.2.1 Sequential模型接口 38
• 4.2.2 Sequential模型的数据输入 48
• 4.2.3 模型编译 49
• 4.2.4 模型训练 50
• 4.3 函数式模型 51
• 4.3.1 全连接网络 52
• 4.3.2 函数模型接口 53
• 4.3.3 多输入和多输出模型 63
• 4.3.4 共享层模型 67
• 第5章　Keras网络结构 71
• 5.1 Keras层对象方法 71
• 5.2 常用层 72
• 5.2.1 Dense层 72
• 5.2.2 Activation层 74
• 5.2.3 Dropout层 75
• 5.2.4 Flatten层 75
• 5.2.5 Reshape层 76
• 5.2.6 Permute层 77
• 5.2.7 RepeatVector层 78
• 5.2.8 Lambda层 79
• 5.2.9 ActivityRegularizer层 80
• 5.2.10 Masking层 81
• 5.3 卷积层 82
• 5.3.1 Conv1D层 82
• 5.3.2 Conv2D层 84
• 5.3.3 SeparableConv2D层 87
• 5.3.4 Conv2DTranspose层 91
• 5.3.5 Conv3D层 94
• 5.3.6 Cropping1D层 97
• 5.3.6 Cropping2D层 97
• 5.3.7 Cropping3D层 98
• 5.3.8 UpSampling1D层 99
• 5.3.9 UpSampling2D层 100
• 5.3.10 UpSampling3D层 101
• 5.3.11 ZeroPadding1D层 102
• 5.3.12 ZeroPadding2D层 103
• 5.3.13 ZeroPadding3D层 104
• 5.4 池化层 105
• 5.4.1 MaxPooling1D层 105
• 5.4.2 MaxPooling2D层 106
• 5.4.3 MaxPooling3D层 108
• 5.4.4 AveragePooling1D层 109
• 5.4.5 AveragePooling2D层 110
• 5.4.6 AveragePooling3D层 111
• 5.4.7 GlobalMaxPooling1D层 112
• 5.4.8 GlobalAveragePooling1D层 113
• 5.4.9 GlobalMaxPooling2D层 113
• 5.4.10 GlobalAveragePooling2D层 114
• 5.5 局部连接层 115
• 5.5.1 LocallyConnected1D层 115
• 5.5.2 LocallyConnected2D层 117
• 5.6 循环层 120
• 5.6.1 Recurrent层 120
• 5.6.2 SimpleRNN层 124
• 5.6.3 GRU层 126
• 5.6.4 LSTM层 127
• 5.7 嵌入层 129
• 5.8 融合层 131
• 5.9 激活层 134
• 5.9.1 LeakyReLU层 134
• 5.9.2 PReLU层 134
• 5.9.3 ELU层 135
• 5.9.4 ThresholdedReLU层 136
• 5.10 规范层 137
• 5.11 噪声层 139
• 5.11.1 GaussianNoise层 139
• 5.11.2 GaussianDropout层 139
• 5.12 包装器Wrapper 140
• 5.12.1 TimeDistributed层 140
• 5.12.2 Bidirectional层 141
• 5.13 自定义层 142
• 第6章　Keras数据预处理 144
• 6.1 序列数据预处理 145
• 6.1.1 序列数据填充 145
• 6.1.2 提取序列跳字样本 148
• 6.1.3 生成序列抽样概率表 151
• 6.2 文本预处理 153
• 6.2.1 分割句子获得单词序列 153
• 6.2.2 OneHot序列编码器 154
• 6.2.3 单词向量化 155
• 6.3 图像预处理 159
• 第7章　Keras内置网络配置 167
• 7.1 模型性能评估模块 168
• 7.1.1 Keras内置性能评估方法 168
• 7.1.2 使用Keras内置性能评估 170
• 7.1.3 自定义性能评估函数 171
• 7.2 损失函数 171
• 7.3 优化器函数 174
• 7.3.1 Keras优化器使用 174
• 7.3.2 Keras内置优化器 176
• 7.4 激活函数 180
• 7.4.1 添加激活函数方法 180
• 7.4.2 Keras内置激活函数 181
• 7.4.3 Keras高级激活函数 185
• 7.5 初始化参数 189
• 7.5.1 使用初始化方法 189
• 7.5.2 Keras内置初始化方法 190
• 7.5.3 自定义Keras初始化方法 196
• 7.6 正则项 196
• 7.6.1 使用正则项 197
• 7.6.2 Keras内置正则项 198
• 7.6.3 自定义Keras正则项 198
• 7.7 参数约束项 199
• 7.7.1 使用参数约束项 199
• 7.7.2 Keras内置参数约束项 200
• 第8章　Keras实用技巧和可视化 202
• 8.1 Keras调试与排错 202
• 8.1.1 Keras Callback回调函数与调试技巧 202
• 8.1.2 备份和还原Keras模型 215
• 8.2 Keras内置Scikit-Learn接口包装器 217
• 8.3 Keras内置可视化工具 224
• 第9章　Keras实战 227
• 9.1 训练一个准确率高于90%的Cifar-10预测模型 227
• 9.1.1 数据预处理 232
• 9.1.2 训练 233
• 9.2 在Keras模型中使用预训练词向量判定文本类别 239
• 9.2.1 数据下载和实验方法 240
• 9.2.2 数据预处理 241
• 9.2.3 训练 245
• 9.3 用Keras实现DCGAN生成对抗网络还原MNIST样本 247
• 9.3.1 DCGAN网络拓扑结构 250
• 9.3.2 训练 254