基本信息

书名：PYTHON深度学习实战：基于TENSORFLOW和KERAS聊天机器人以及…

书号：9787111622765

定价：69.00

作者/编者： [印] 纳温·库马尔·马纳西（Navin Kumar Manaswi） 

出版社：机械工业出版社

出版时间： 2019年04月

内容简介

本书讨论使用TensorFlow和Keras等框架构建深度学习应用程序，集中于所需的模型和算法，帮助你在短时间内提高实践技能。内容涵盖了聊天机器人、自然语言处理、人脸和对象识别等主题。目标是提供创建能够执行深度学习的程序所需的概念、技术和算法实现。

编辑推荐


目录

第1章　TensorFlow基础 1  

1.1　张量 2  

1.2　计算图与会话 2  

1.3　常量、占位符与变量 4  

1.4　占位符 6  

1.5　创建张量 8  

1.5.1　固定张量 9  

1.5.2　序列张量 11  

1.5.3　随机张量 11  

1.6　矩阵操作 12  

1.7　激活函数 13  

1.7.1　双曲正切函数与Sigmoid函数 13  

1.7.2　ReLU与ELU 15  

1.7.3　ReLU6 15  

1.8　损失函数 17  

1.8.1　损失函数实例 18  

1.8.2　常用的损失函数 18  

1.9　优化器 19  

1.9.1　优化器实例 20  

1.9.2　常用的优化器 21  

1.10　度量 21  

??1.10.1　度量实例 22  

??1.10.2　常用的度量 22  

第2章　理解并运用Keras 25  

2.1　深度学习模型构建的主要步骤 25  

2.1.1　载入数据 26  

2.1.2　预处理数据 27  

2.1.3　定义模型 27  

2.1.4　编译模型 29  

2.1.5　拟合模型 29  

2.1.6　评估模型 30  

2.1.7　预测 30  

2.1.8　保存与重载模型 31  

2.1.9　可选：总结模型 31  

2.2　改进Keras模型的附加步骤 32  

2.3　Keras联合TensorFlow 33  

第3章　多层感知机 35  

3.1　人工神经网络 35  

3.2　单层感知机 37  

3.3　多层感知机 37  

3.4　逻辑斯谛回归模型 38  

第4章　TensorFlow中的回归到MLP 45  

4.1　TensorFlow搭建模型的步骤 45  

4.2　TensorFlow中的线性回归 46  

4.3　逻辑斯谛回归模型 49  

4.4　TensorFlow中的多层感知机 52  

第5章　Keras中的回归到MLP 55  

5.1　对数-线性模型 55  

5.2　线性回归的Keras神经网络 56  

5.3　逻辑斯谛回归 58  

5.3.1scikit-learn逻辑斯谛回归 58  

5.3.2逻辑斯谛回归的Keras神经网络 59  

5.3.3流行的MNIST数据：Keras中的逻辑斯谛回归 60  

5.4　基于Iris数据的MLP 62  

5.4.1　编写代码 62  

5.4.2构建一个序列Keras模型 63  

5.5基于MNIST数据的MLP数字分类 66  

5.6　基于随机生成数据的MLP 68  

第6章　卷积神经网络 71  

6.1　CNN中的各种层 71  

6.2　CNN结构 74  

第7章　TensorFlow中的CNN 77  

7.1为什么用TensorFlow搭建CNN模型 77  

7.2基于MNIST数据集搭建图片分类器的TensorFlow代码 78  

7.3　使用*API搭建CNN模型 82  

第8章　Keras中的CNN 83  

8.1在Keras中使用MNIST数据集搭建图片分类器 83  

8.1.1　定义网络结构 85  

8.1.2　定义模型架构 85  

8.2使用CIFAR-10数据集搭建图片分类器 86  

8.2.1　定义网络结构 87  

8.2.2　定义模型架构 88  

8.3　预训练模型 89  

第9章　RNN与LSTM 91  

9.1　循环神经网络的概念 91  

9.2　长短时记忆网络的概念 93  

9.3　LSTM常见模式 93  

9.4　序列预测 94  

9.4.1　数字序列预测 94  

9.4.2　序列分类 95  

9.4.3　序列生成 95  

9.4.4　序列到序列预测 95  

9.5利用LSTM模型处理时间序列预测问题 96  

第10章　语音-文本转换及其逆过程 101  

10.1　语音-文本转换 101  

10.2　语音数据 102  

10.3语音特征：将语音映射为矩阵 103  

10.4声谱图：将语音映射为图像 104  

10.5利用MFCC特征构建语音识别分类器 104  

10.6利用声谱图构建语音识别分类器 105  

10.7　开源方法 106  

10.8　使用API的例子 107  

10.8.1　使用PocketSphinx 107  

10.8.2使用Google Speech API 108  

10.8.3使用Google Cloud Speech API 108  

10.8.4　使用Wit.ai API 108  

10.8.5　使用Houndify API 109  

10.8.6使用IBM Speech to Text API 109  

10.8.7使用Bing Voice Recognition API 110  

10.9　文本-语音转换 110  

10.9.1　使用pyttsx 110  

10.9.2　使用SAPI 111  

10.9.3　使用SpeechLib 111  

10.10　音频剪辑代码 111  

10.11　认知服务提供商 112  

10.11.1　Microsoft Azure 113  

10.11.2　** Cognitive Services 113  

10.11.3　IBM Watson Services 113  

10.12　语音分析的未来 113  

第11章　创建聊天机器人 115  

11.1　为什么是聊天机器人 116  

11.2　聊天机器人的设计和功能 116  

11.3　构建聊天机器人的步骤 116  

11.3.1　预处理文本和消息 117  

11.3.2用API构建聊天机器人 130  

11.4聊天机器人开发的*佳实践 133  

11.4.1　了解潜在用户 133  

11.4.2读入用户情感使得机器人情感更丰富 133  

第12章　人脸检测与识别 135  

12.1人脸检测、人脸识别与人脸分析 135  

12.2　OpenCV 136  

12.2.1　特征脸 137  

12.2.2　LBPH 137  

12.2.3　费歇脸 138  

12.3　检测人脸 139  

12.4　跟踪人脸 141  

12.5　人脸识别 144  

12.6　基于深度学习的人脸识别 147  

12.7　迁移学习 149  

12.7.1为什么要用迁移学习 150  

12.7.2　迁移学习实例 150  

12.7.3　计算迁移值 152  

12.8　API 158  

附录1　图像处理的Keras函数 161  

附录2　可用的优质图像数据集 165  

附录3　医学成像：DICOM文件格式 167