拉蒂普·杜瓦（Rajdeep Dua）在云计算和大数据领域拥有超过18年的经验。他曾在IIIT Hyderabad、ISB、IIIT Delhi和Pune College of Engineering等印度一些久负盛名的科技大学教授Spark和大数据。他目前是Salesforce印度分公司开发人员团队的负责人，曾在海德拉巴举行的W3C会议上展示BigQuery和Google App Engine，并领导过Google、VMware和Microsoft的开发团队，在云计算相关的数百个会议上发表过演讲。

　　曼普里特·辛格·古特（Manpreet Singh Ghotra）在企业软件和大数据软件的开发领域拥有超过15年的经验。他目前在Salesforce使用Keras、Apache Spark和TensorFlow等开源库和框架从事机器学习平台/API的开发。他曾涉足过多个机器学习系统领域，包括情感分析、垃圾邮件检测和异常检测。此外，他还曾是在线零售商之一的机器学习团队的成员，使用Apache Mahout计算转运时间、开发推荐系统。

　　第1章介绍了Keras的安装和设置过程以及如何配置Keras。
　　第2章介绍了使用CIFAR-10、CIFAR-100或MNIST等数据集，以及用于图像分类的其他数据集和模型。
　　第3章介绍了使用Keras的各种预处理和优化技术，优化技术包括TFOptimizer、AdaDelta等。
　　第4章详细描述了不同的Keras层，包括递归层和卷积层等。
　　第5章通过宫颈癌分类和数字识别数据集的实例，详细解释如何使用卷积神经网络算法。
　　第6章包括基本的生成式对抗网络（GAN）和边界搜索GAN。
　　第7章涵盖了递归神经网络的基础，以便实现基于历史数据集的Keras。
　　第8 章包括使用Keras进行单词分析和情感分析的NLP基础知识。
　　第9章展示了如何在评论数据集中使用Keras模型进行文本概述。
　　第10章侧重于使用Keras设计和开发强化学习模型。

译者序

审校者简介

前言

第1章　Keras安装  1

1.1　引言  1

1.2　在Ubuntu 16.04上安装Keras  1

1.2.1　准备工作  2

1.2.2　怎么做  2

1.3　在Docker镜像中使用Jupyter Notebook安装Keras  7

1.3.1　准备工作  7

1.3.2　怎么做  7

1.4　在已激活GPU的Ubuntu 16.04上安装Keras  9

1.4.1　准备工作  9

1.4.2　怎么做  10

第2章　Keras数据集和模型  13

2.1　引言  13

2.2　CIFAR-10数据集  13

2.3　CIFAR-100数据集  15

2.4　MNIST数据集  17

2.5　从CSV文件加载数据  18

2.6　Keras模型入门  19

2.6.1　模型的剖析  19

2.6.2　模型类型  19

2.7　序贯模型  20

2.8　共享层模型  27

2.8.1　共享输入层简介  27

2.8.2　怎么做  27

2.9　Keras函数API  29

2.9.1　怎么做  29

2.9.2　示例的输出  31

2.10　Keras函数API——链接层  31

2.11　使用Keras函数API进行图像分类  32

第3章　数据预处理、优化和可视化  36

3.1　图像数据特征标准化  36

3.1.1　准备工作  36

3.1.2　怎么做  37

3.2　序列填充  39

3.2.1　准备工作  39

3.2.2　怎么做  39

3.3　模型可视化  41

3.3.1　准备工作  41

3.3.2　怎么做  41

3.4　优化  43

3.5　示例通用代码  43

3.6　随机梯度下降优化法  44

3.6.1　准备工作  44

3.6.2　怎么做  44

3.7　Adam优化算法  47

3.7.1　准备工作  47

3.7.2　怎么做  47

3.8　AdaDelta优化算法  50

3.8.1　准备工作  51

3.8.2　怎么做  51

3.9　使用RMSProp进行优化  54

3.9.1　准备工作  54

3.9.2　怎么做  54

第4章　使用不同的Keras层实现分类  58

4.1　引言  58

4.2　乳腺癌分类  58

4.3　垃圾信息检测分类  66

第5章　卷积神经网络的实现  73

5.1　引言  73

5.2　宫颈癌分类  73

5.2.1　准备工作  74

5.2.2　怎么做  74

5.3　数字识别  84

5.3.1　准备工作  84

5.3.2　怎么做  85

第6章　生成式对抗网络  89

6.1　引言  89

6.2　基本的生成式对抗网络  90

6.2.1　准备工作  91

6.2.2　怎么做  91

6.3　边界搜索生成式对抗网络  98

6.3.1　准备工作  99

6.3.2　怎么做  100

6.4　深度卷积生成式对抗网络  106

6.4.1　准备工作  107

6.4.2　怎么做  108

第7章　递归神经网络  116

7.1　引言  116

7.2　用于时间序列数据的简单RNN  117

7.2.1　准备工作  118

7.2.2　怎么做  119

7.3　时间序列数据的LSTM网络  128

7.3.1　LSTM网络  128

7.3.2　LSTM记忆示例  129

7.3.3　准备工作  129

7.3.4　怎么做  129

7.4　使用LSTM进行时间序列预测  133

7.4.1　准备工作  134

7.4.2　怎么做  135

7.5　基于LSTM的等长输出序列到序列学习  143

7.5.1　准备工作  143

7.5.2　怎么做  144

第8章　使用Keras模型进行自然语言处理  150

8.1　引言  150

8.2　词嵌入  150

8.2.1　准备工作  151

8.2.2　怎么做  151

8.3　情感分析  157

8.3.1　准备工作  157

8.3.2　怎么做  159

8.3.3　完整代码清单  162

第9章　基于Keras模型的文本摘要  164

9.1　引言  164

9.2　评论的文本摘要  164

9.2.1　怎么做  165

9.2.2　参考资料  172

第10章　强化学习  173

10.1　引言  173

10.2　使用Keras进行《CartPole》游戏  174

10.3　使用竞争DQN算法进行《CartPole》游戏  181

10.3.1　准备工作  183

10.3.2　怎么做  187