译者序
审校者简介
前言
第1章 Keras安装
1.1 引言
1.2 在Ubuntu 16.04上安装Keras
1.2.1 准备工作
1.2.2 怎么做
1.3 在Docker镜像中使用Jupyter Notebook安装Keras
1.3.1 准备工作
1.3.2 怎么做
1.4 在已激活GPU的Ubuntu 16.04上安装Keras
1.4.1 准备工作
1.4.2 怎么做
第2章 Keras数据集和模型
2.1 引言
2.2 CIFAR-10数据集
2.3 CIFAR-100数据集
2.4 MNIST数据集
2.5 从CSV文件加载数据
2.6 Keras模型入门
2.6.1 模型的剖析
2.6.2 模型类型
2.7 序贯模型
2.8 共享层模型
2.8.1 共享输入层简介
2.8.2 怎么做
2.9 Keras函数API
2.9.1 怎么做
2.9.2 示例的输出
2.10 Keras函数API——链接层
2.11 使用Keras函数API进行图像分类
第3章 数据预处理、优化和可视化
3.1 图像数据特征标准化
3.1.1 准备工作
3.1.2 怎么做
3.2 序列填充
3.2.1 准备工作
3.2.2 怎么做
3.3 模型可视化
3.3.1 准备工作
3.3.2 怎么做
3.4 优化
3.5 示例通用代码
3.6 随机梯度下降优化法
3.6.1 准备工作
3.6.2 怎么做
3.7 Adam优化算法
3.7.1 准备工作
3.7.2 怎么做
3.8 AdaDelta优化算法
3.8.1 准备工作
3.8.2 怎么做
3.9 使用RMSProp进行优化
3.9.1 准备工作
3.9.2 怎么做
第4章 使用不同的Keras层实现分类
4.1 引言
4.2 乳腺癌分类
4.3 垃圾信息检测分类
第5章 卷积神经网络的实现
5.1 引言
5.2 宫颈癌分类
5.2.1 准备工作
5.2.2 怎么做
5.3 数字识别
5.3.1 准备工作
5.3.2 怎么做
第6章 生成式对抗网络
6.1 引言
6.2 基本的生成式对抗网络
6.2.1 准备工作
6.2.2 怎么做
6.3 边界搜索生成式对抗网络
6.3.1 准备工作
6.3.2 怎么做
6.4 深度卷积生成式对抗网络
6.4.1 准备工作
6.4.2 怎么做
第7章 递归神经网络
7.1 引言
7.2 用于时间序列数据的简单RNN
7.2.1 准备工作
7.2.2 怎么做
7.3 时间序列数据的LSTM网络
7.3.1 LSTM网络
7.3.2 LSTM记忆示例
7.3.3 准备工作
7.3.4 怎么做
7.4 使用LSTM进行时间序列预测
7.4.1 准备工作
7.4.2 怎么做
7.5 基于LSTM的等长输出序列到序列学习
7.5.1 准备工作
7.5.2 怎么做
第8章 使用Keras模型进行自然语言处理
8.1 引言
8.2 词嵌入
8.2.1 准备工作
8.2.2 怎么做
8.3 情感分析
8.3.1 准备工作
8.3.2 怎么做
8.3.3 完整代码清单
第9章 基于Keras模型的文本摘要
9.1 引言
9.2 评论的文本摘要
9.2.1 怎么做
9.2.2 参考资料
第10章 强化学习
10.1 引言
10.2 使用Keras进行《CartPole》游戏
10.3 使用竞争DQN算法进行《CartPole》游戏
10.3.1 准备工作
10.3.2 怎么做

本书从实用的角度出发，全方位介绍使用Keras如何解决深度学习中的各类问题。假设读者无任何关于深度学习编程的基础知识，本书首先介绍Keras这一高度模块化、极简式的深度学习框架的安装、配置和编译等平台搭建知识，而后详细介绍了深度学习所要求的数据预处理、优化、可视化等基本内容，然后详细讲解卷积神经网络、生成式对抗网络、递归神经网络这三种深度学习方法并给出相关实例代码，最后介绍自然语言处理、强化学习两方面的内容。
本书是一本实践性很强的深度学习工具书，既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，又特别适合立志从事深度学习和AI相关的行业并且希望用Keras开发实际项目的工程技术人员。