深度学习训练营 21天实战TENSORFLOW+KERAS+SCIKIT-LEARNPDF电子书下载

查看更多关于的内容

第一篇 预测类项目实战 2

第1章 房价预测 2

1.1 数据准备 2

1.1.1 环境准备 2

1.1.2 预处理数据 3

1.1.3 数据可视化分析 5

1.2 基于scikit-learn实现房价预测 7

1.2.1 衡量R2值 7

1.2.2 模型性能对比 7

1.2.3 网格搜索模型 12

1.2.4 波士顿房价预测 13

1.2.5 北京房价预测 16

1.3 基于Keras实现房价预测 19

1.3.1 数据准备 19

1.3.2 创建神经网络模型 20

1.3.3 训练网络模型 21

1.3.4 可视化模型的结果 22

1.3.5 评估和预测模型 23

1.3.6 预测可视化显示 24

1.4 小结 26

第2章 泰坦尼克号生还预测 27

2.1 数据准备 27

2.1.1 环境准备 27

2.1.2 预处理数据 28

2.1.3 缺失值处理 29

2.1.4 数据清洗与分割 32

2.2 基于决策树模型预测 33

2.2.1 训练 33

2.2.2 预测 33

2.3 基于逻辑回归模型预测 34

2.3.1 训练 34

2.3.2 预测 35

2.4 基于梯度提升分类器模型预测 35

2.4.1 训练 35

2.4.2 预测 35

2.5 基于神经网络模型预测 36

2.5.1 训练 36

2.5.2 预测 36

2.5.3 绘制曲线图 37

2.6 基于Keras的神经网络模型预测 38

2.6.1 训练 38

2.6.2 预测 39

2.7 小结 40

第3章 共享单车使用情况预测 41

3.1 数据准备 41

3.1.1 环境准备 41

3.1.2 数据可视化 41

3.1.3 预处理数据 51

3.1.4 数据清洗与分割 52

3.2 基于TensorFlow的长短期记忆网络模型预测 52

3.2.1 处理序列 52

3.2.2 参数准备 53

3.2.3 创建LSTM模型 53

3.2.4 训练模型 54

3.2.5 模型预览与测试 56

3.2.6 对比预测值模型预览 58

3.3 小结 59

第4章 福彩3D中奖预测 60

4.1 数据准备 60

4.1.1 环境准备 60

4.1.2 数据准备 60

4.1.3 数据预处理 61

4.1.4 数据可视化 62

4.2 基于神经网络模型预测 68

4.2.1 决策树 69

4.2.2 多层感知器 69

4.2.3 时间序列基础 70

4.2.4 时间序列预测 73

4.2.5 根据中奖号码单变量单个位数预测 74

4.3 小结 76

第5章 股票走势预测 77

5.1 数据准备 77

5.1.1 环境准备 77

5.1.2 数据集说明 77

5.2 百度股票预测 78

5.2.1 数据准备 78

5.2.2 数据可视化 80

5.2.3 计算购买的股票收益 82

5.2.4 训练和评估模型 84

5.2.5 股票预测 87

5.2.6 股票买入策略 88

5.3 微软股票预测 89

5.3.1 数据准备 89

5.3.2 数据可视化 89

5.3.3 计算购买的股票收益 90

5.3.4 训练和评估模型 91

5.3.5 股票预测 92

5.3.6 股票买入策略 92

5.4 小结 93

第6章 垃圾邮件预测 94

6.1 数据准备 94

6.1.1 环境准备 94

6.1.2 数据准备 95

6.1.3 数据预处理 95

6.2 基于多项式朴素贝叶斯分类器的邮件分类 101

6.2.1 数据处理 101

6.2.2 创建和训练模型 102

6.2.3 测试模型 102

6.3 基于TensorFlow的神经网络模型的邮件分类 103

6.3.1 构建N-Gram向量化数据 103

6.3.2 创建模型 104

6.3.3 训练模型 104

6.3.4 可视化训练结果 106

6.4 小结 107

第7章 影评的情感分析 108

7.1 数据准备 108

7.1.1 环境准备 108

7.1.2 预处理数据 108

7.1.3 数据集编码 110

7.1.4 数据集分割 114

7.2 基于TensorFlow的长短期记忆网络实现影评的情感分析 115

7.2.1 参数准备 115

7.2.2 创建LSTM模型 116

7.2.3 训练模型 117

7.2.4 模型测试 119

7.3 基于Keras的长短期记忆网络实现影评的情感分析 119

7.3.1 数据预处理 119

7.3.2 创建模型 120

7.3.3 预览模型架构 120

7.3.4 训练模型 120

7.3.5 模型评估 121

7.4 小结 121

第8章 语言翻译 122

8.1 数据准备 122

8.1.1 环境准备 122

8.1.2 数据准备 122

8.1.3 数据预处理 123

8.2 基于Keras的长短期记忆网络实现语言翻译 126

8.2.1 Tokenize文本数据 126

8.2.2 数据编码和填充 127

8.2.3 创建模型 128

8.2.4 训练模型 129

8.2.5 测试模型 130

8.3 小结 132

第二篇 识别类项目实战 134

第9章 MNIST手写数字识别 134

9.1 MNIST数据集 134

9.1.1 简介 134

9.1.2 数据下载 135

9.1.3 可视化数据 136

9.2 基于多层感知器的TensorFlow实现MNIST识别 138

9.2.1 参数准备 138

9.2.2 创建模型 138

9.2.3 训练模型 139

9.2.4 模型预测 140

9.3 基于多层感知器的Keras实现MNIST识别 141

9.3.1 数据准备 141

9.3.2 创建模型 142

9.3.3 训练模型 143

9.3.4 模型预测 144

9.3.5 单个图像预测 144

9.4 基于卷积神经网络的TensorFlow实现MNIST识别 144

9.4.1 参数准备 145

9.4.2 创建模型 145

9.4.3 训练模型 146

9.4.4 模型预测 147

9.5 基于卷积神经网络的Keras实现MNIST识别 148

9.5.1 数据准备 148

9.5.2 创建模型 149

9.5.3 训练模型 150

9.5.4 模型预测 150

9.5.5 单个图像预测 151

9.6 小结 151

第10章 狗的品种识别 152

10.1 数据准备 152

10.1.1 环境准备 153

10.1.2 数据可视化 153

10.1.3 预处理数据 159

10.2 基于Keras的卷积神经网络模型预测 160

10.2.1 创建模型 160

10.2.2 训练模型 162

10.2.3 模型评估 162

10.3 基于Keras的InceptionV3预训练模型实现预测 163

10.3.1 模型函数声明 163

10.3.2 预测单张图片 164

10.4 基于TFHUB的Keras的迁移学习实现预测 166

10.4.1 数据集下载和准备 166

10.4.2 预训练模型下载 167

10.4.3 创建模型 168

10.4.4 训练模型 169

10.4.5 测试模型 171

10.4.6 模型预测单张图片 173

10.5 小结 175

第11章 人脸识别 176

11.1 数据准备 176

11.1.1 环境准备 177

11.1.2 数据下载和分析 177

11.1.3 人脸图片数据预览 178

11.2 基于FaceNet的人脸对齐和验证 181

11.2.1 下载和对齐图片 181

11.2.2 在LFW上验证 182

11.3 训练自己的人脸识别模型 183

11.3.1 图片数据准备和对齐 183

11.3.2 训练模型 184

11.3.3 验证模型 184

11.3.4 再训练模型 185

11.3.5 再评估模型 187

11.3.6 将模型Checkpoints文件转换成pb文件 188

11.4 基于FaceRecognition的人脸识别 188

11.4.1 配置环境 189

11.4.2 人脸检测 189

11.4.3 实时人脸识别 190

11.5 小结 193

第12章 人脸面部表情识别 194

12.1 基于Keras的卷积神经网络实现人脸面部表情识别 194

12.1.1 环境准备 194

12.1.2 数据准备 195

12.1.3 数据集分割 196

12.1.4 数据集预处理 196

12.1.5 构建CNN模型 197

12.1.6 图片增强与训练模型 199

12.1.7 评估模型 200

12.1.8 保存与读取模型 201

12.1.9 单张图片测试模型 202

12.2 视频中的人脸面部表情识别 205

12.2.1 读取模型 206

12.2.2 模型参数定义 206

12.2.3 视频的帧处理函数定义 206

12.2.4 识别与转换视频 207

12.3 实时人脸面部表情识别 208

12.3.1 模型参数定义 208

12.3.2 启动摄像头和识别处理 209

12.4 小结 210

第13章 人体姿态识别 211

13.1 基于TensorFlow实现人体姿态识别 211

13.1.1 环境准备 211

13.1.2 下载与安装 212

13.1.3 单张图片识别 212

13.1.4 视频中的人体姿态识别 215

13.1.5 实时摄像识别 217

13.2 基于Keras实现人体姿态识别 218

13.2.1 环境准备 219

13.2.2 下载仓库 219

13.2.3 单张图片识别 219

13.2.4 视频中的人体姿态识别 220

13.2.5 实时摄像识别 221

13.3 小结 221

第14章 皮肤癌分类 222

14.1 数据准备 222

14.1.1 环境准备 223

14.1.2 数据下载 223

14.1.3 数据可视化 224

14.2 基于Keras的卷积神经网络实现分类 226

14.2.1 数据预处理 226

14.2.2 创建CNN模型 227

14.2.3 编译模型 229

14.2.4 训练模型 229

14.2.5 评估模型和图像测试 230

14.3 基于TensorFlow的迁移学习实现分类 232

14.3.1 数据准备 232

14.3.2 训练模型 232

14.3.3 验证模型 233

14.3.4 Tensorboard可视化 233

14.4 小结 234

第15章 对象检测 235

15.1 对象检测的应用领域 236

15.1.1 无人机应用领域 236

15.1.2 自动驾驶汽车应用领域 236

15.1.3 无人超市应用领域 236

15.2 原理分析 236

15.2.1 R-CNN的介绍与分析 237

15.2.2 Faster R-CNN的介绍与分析 237

15.2.3 Mask R-CNN的介绍与分析 238

15.3 基于Mask R-CNN Inception COCO的图片对象检测 239

15.3.1 环境准备 239

15.3.2 导入Packages 240

15.3.3 下载Mask R-CNN Inception2018预训练模型 242

15.3.4 加载模型到内存中 242

15.3.5 加载类别映射 242

15.3.6 定义函数将图片转为NumPy数组 243

15.3.7 定义图片对象检测函数 243

15.3.8 检测图片中的对象 244

15.3.9 效果预览 245

15.4 基于Faster R-CNN Inception COCO的视频实时对象检测 246

15.4.1 环境准备 246

15.4.2 导入Packages 246

15.4.3 下载Faster R-CNN Inception2018预训练模型 247

15.4.4 加载模型到内存中 247

15.4.5 加载类别映射 247

15.4.6 定义视频中的图像对象检测函数 248

15.4.7 定义视频中的图像处理函数 249

15.4.8 视频中的图像对象检测 249

15.4.9 效果预览 250

15.5 基于SSD MobileNet COCO的实时对象检测 250

15.5.1 环境准备 250

15.5.2 导入Packages 250

15.5.3 下载SSD MobileNet 2018预训练模型 251

15.5.4 加载模型 251

15.5.5 加载类别映射 252

15.5.6 开启实时对象检测 252

15.5.7 效果预览 253

15.6 小结 254

第三篇 生成类项目实战 256

第16章 看图写话 256

16.1 数据准备 256

16.1.1 环境准备 257

16.1.2 数据下载 257

16.1.3 数据预处理 258

16.2 基于TensorFlow的Show and Tell实现看图写话 264

16.2.1 介绍 265

16.2.2 数据统计 265

16.2.3 构建TFRecords格式数据 266

16.2.4 训练模型 268

16.2.5 评估模型 268

16.2.6 测试模型 269

16.3 小结 270

第17章 生成电视剧剧本 271

17.1 数据准备 271

17.1.1 环境准备 271

17.1.2 数据预处理 272

17.1.3 数据可视化分析 274

17.2 基于TensorFlow的循环神经网络实现电视剧剧本生成 277

17.2.1 创建检查表 278

17.2.2 数据token化预处理 278

17.2.3 创建Tensor占位符和学习率 279

17.2.4 初始化RNN Cell 279

17.2.5 创建Embedding 280

17.2.6 创建神经网络 280

17.2.7 创建超参数和优化器 280

17.2.8 训练神经网络模型 281

17.2.9 生成电视剧剧本 283

17.3 基于textgenrnn来实现电视剧剧本生成 285

17.3.1 介绍 285

17.3.2 训练模型 285

17.3.3 生成剧本文本 286

17.4 小结 286

第18章 风格迁移 287

18.1 基于TensorFlow实现神经风格迁移 287

18.1.1 环境准备 287

18.1.2 图像预览 287

18.1.3 处理图像 289

18.1.4 模型获取 289

18.1.5 损失函数计算 290

18.1.6 训练模型与图像生成 292

18.2 基于Keras实现神经风格迁移 295

18.2.1 图像预览 295

18.2.2 图像处理 296

18.2.3 获取模型 297

18.2.4 损失函数计算 298

18.2.5 迭代与生成风格图像 298

18.3 小结 300

第19章 生成人脸 301

19.1 基于TensorFlow的GAN实现MNIST数字图像生成 301

19.1.1 环境准备 302

19.1.2 MNIST数字图像数据准备 302

19.1.3 随机查看25张图片 303

19.1.4 构建模型输入 304

19.1.5 构建鉴别器 305

19.1.6 构建生成器 306

19.1.7 计算模型损失 307

19.1.8 构建优化器 307

19.1.9 构建训练模型时的图像输出 308

19.1.10 构建训练模型函数 309

19.1.11 训练MNIST数据集的GAN模型 310

19.2 基于TensorFlow的GAN实现LFW人脸图像生成 313

19.2.1 人脸图像数据准备 314

19.2.2 训练LFW数据集的GAN模型 314

19.3 小结 315

第20章 图像超分辨率 316

20.1 效果预览与数据准备 316

20.1.1 效果预览 316

20.1.2 环境准备 317

20.1.3 数据准备 317

20.2 基于TensorFlow的DCGAN实现超分辨率 318

20.2.1 下载srez代码库 318

20.2.2 训练模型根据模糊图像生成清晰图像 318

20.2.3 输出效果预览 320

20.2.4 生成效果图视频 321

20.2.5 图片放大高清化 321

20.3 srez库的代码分析 322

20.3.1 主入口函数代码分析 322

20.3.2 创建模型代码分析 323

20.3.3 训练模型代码分析 323

20.4 小结 324

第21章 移花接木 325

21.1 基本信息 325

21.1.1 3种模型效果预览 325

21.1.2 环境准备 326

21.1.3 图片数据集准备 326

21.1.4 CycleGAN网络模型架构 327

21.2 基于CycleGAN根据苹果生成橘子 327

21.2.1 下载代码库 327

21.2.2 图片数据处理 328

21.2.3 训练模型 328

21.2.4 导出模型 329

21.2.5 测试图片 330

21.3 基于CycleGAN根据马生成斑马 332

21.3.1 图片数据处理 332

21.3.2 训练模型 332

21.3.3 导出模型 333

21.3.4 测试图片 334

21.4 男性和女性的人脸面貌互换 335

21.4.1 环境准备 335

21.4.2 计算和生成模型 336

21.4.3 代码分析 337

21.5 小结 338

查看更多关于的内容