深度學習訓練營：21天實戰(zhàn)TensorFlow+Keras+scikit-learn

第 一篇 預(yù)測類項目實戰(zhàn)
第 1章 房價預(yù)測
1．1 數(shù)據(jù)準備
1．1．1 環(huán)境準備
1．1．2 預(yù)處理數(shù)據(jù)
1．1．3 數(shù)據(jù)可視化分析
1．2 基于scikit-learn實現(xiàn)房價預(yù)測
1．2．1 衡量R2值
1．2．2 模型性能對比
1．2．3 網(wǎng)格搜索模型
1．2．4 波士頓房價預(yù)測
1．2．5 北京房價預(yù)測
1．3 基于Keras實現(xiàn)房價預(yù)測
1．3．1 數(shù)據(jù)準備
1．3．2 創(chuàng)建神經(jīng)網(wǎng)絡(luò)模型
1．3．3 訓練網(wǎng)絡(luò)模型
1．3．4 可視化模型的結(jié)果
1．3．5 評估和預(yù)測模型
1．3．6 預(yù)測可視化顯示
1．4 小結(jié)
第 2章 泰坦尼克號生還預(yù)測
2．1 數(shù)據(jù)準備
2．1．1 環(huán)境準備
2．1．2 預(yù)處理數(shù)據(jù)
2．1．3 缺失值處理
2．1．4 數(shù)據(jù)清洗與分割
2．2 基于決策樹模型預(yù)測
2．2．1 訓練
2．2．2 預(yù)測
2．3 基于邏輯回歸模型預(yù)測
2．3．1 訓練
2．3．2 預(yù)測
2．4 基于梯度提升分類器模型預(yù)測
2．4．1 訓練
2．4．2 預(yù)測
2．5 基于神經(jīng)網(wǎng)絡(luò)模型預(yù)測
2．5．1 訓練
2．5．2 預(yù)測
2．5．3 繪制曲線圖
2．6 基于Keras的神經(jīng)網(wǎng)絡(luò)模型預(yù)測
2．6．1 訓練
2．6．2 預(yù)測
2．7 小結(jié)
第3章 共享單車使用情況預(yù)測
3．1 數(shù)據(jù)準備
3．1．1 環(huán)境準備
3．1．2 數(shù)據(jù)可視化
3．1．3 預(yù)處理數(shù)據(jù)
3．1．4 數(shù)據(jù)清洗與分割
3．2 基于TensorFlow的長短期記憶網(wǎng)絡(luò)模型預(yù)測
3．2．1 處理序列
3．2．2 參數(shù)準備
3．2．3 創(chuàng)建LSTM模型
3．2．4 訓練模型
3．2．5 模型預(yù)覽與測試
3．2．6 對比預(yù)測值模型預(yù)覽
3．3 小結(jié)
第4章 福彩3D中獎預(yù)測
4．1 數(shù)據(jù)準備
4．1．1 環(huán)境準備
4．1．2 數(shù)據(jù)準備
4．1．3 數(shù)據(jù)預(yù)處理
4．1．4 數(shù)據(jù)可視化
4．2 基于神經(jīng)網(wǎng)絡(luò)模型預(yù)測
4．2．1 決策樹
4．2．2 多層感知器
4．2．3 時間序列基礎(chǔ)
4．2．4 時間序列預(yù)測
4．2．5 根據(jù)開獎號碼單變量單個位數(shù)預(yù)測
4．3 小結(jié)
第5章 股票走勢預(yù)測
5．1 數(shù)據(jù)準備
5．1．1 環(huán)境準備
5．1．2 數(shù)據(jù)集說明
5．2 百度股票預(yù)測
5．2．1 數(shù)據(jù)準備
5．2．2 數(shù)據(jù)可視化
5．2．3 計算購買的股票收益
5．2．4 訓練和評估模型
5．2．5 股票預(yù)測
5．2．6 股票買入策略
5．3 微軟股票預(yù)測
5．3．1 數(shù)據(jù)準備
5．3．2 數(shù)據(jù)可視化
5．3．3 計算購買的股票收益
5．3．4 訓練和評估模型
5．3．5 股票預(yù)測
5．3．6 股票買入戰(zhàn)略
5．4 小結(jié)
第6章 垃圾郵件預(yù)測
6．1 數(shù)據(jù)準備
6．1．1 環(huán)境準備
6．1．2 數(shù)據(jù)準備
6．1．3 數(shù)據(jù)預(yù)處理
6．2 基于多項式樸素貝葉斯的郵件分類
6．2．1 數(shù)據(jù)處理
6．2．2 創(chuàng)建和訓練模型
6．2．3 測試模型
6．3 基于TensorFlow的神經(jīng)網(wǎng)絡(luò)模型的郵件分類
6．3．1 構(gòu)建N-Gram向量化數(shù)據(jù)
6．3．2 創(chuàng)建模型
6．3．3 訓練模型
6．3．4 可視化訓練結(jié)果
6．4 小結(jié)
第7章 影評的情感分析
7．1 數(shù)據(jù)準備
7．1．1 環(huán)境準備
7．1．2 預(yù)處理數(shù)據(jù)
7．1．3 數(shù)據(jù)集編碼
7．1．4 數(shù)據(jù)集分割
7．2 基于TensorFlow的長短期記憶網(wǎng)絡(luò)實現(xiàn)影評的情感分析
7．2．1 參數(shù)準備
7．2．2 創(chuàng)建LSTM模型
7．2．3 訓練模型
7．2．4 模型測試
7．3 基于Keras的長短期記憶網(wǎng)絡(luò)實現(xiàn)影評的情感分析
7．3．1 數(shù)據(jù)預(yù)處理
7．3．2 創(chuàng)建模型
7．3．3 預(yù)覽模型架構(gòu)
7．3．4 訓練模型
7．3．5 模型評估
7．4 小結(jié)
第8章 語言翻譯
8．1 數(shù)據(jù)準備
8．1．1 環(huán)境準備
8．1．2 數(shù)據(jù)準備
8．1．3 數(shù)據(jù)預(yù)處理
8．2 基于Keras的長短期記憶網(wǎng)絡(luò)實現(xiàn)語言翻譯
8．2．1 Tokenize文本數(shù)據(jù)
8．2．2 數(shù)據(jù)編碼和填充
8．2．3 創(chuàng)建模型
8．2．4 訓練模型
8．2．5 測試模型
第二篇 識別類項目實戰(zhàn)
第9章 MNIST手寫數(shù)字識別
9．1 MNIST數(shù)據(jù)集
9．1．1 簡介
9．1．2 數(shù)據(jù)下載
9．1．3 可視化數(shù)據(jù)
9．2 基于多層感知器的TensorFlow實現(xiàn)MNIST識別
9．2．1 參數(shù)準備
9．2．2 創(chuàng)建模型
9．2．3 訓練模型
9．2．4 模型預(yù)測
9．3 基于多層感知器的Keras實現(xiàn)MNIST識別
9．3．1 數(shù)據(jù)準備
9．3．2 創(chuàng)建模型
9．3．3 訓練模型
9．3．4 模型預(yù)測
9．3．5 單張圖像預(yù)測
9．4 基于卷積神經(jīng)網(wǎng)絡(luò)的TensorFlow實現(xiàn)MNIST識別
9．4．1 參數(shù)準備
9．4．2 創(chuàng)建模型
9．4．3 訓練模型
9．4．4 模型預(yù)測
9．5 基于卷積神經(jīng)網(wǎng)絡(luò)的Keras實現(xiàn)MNIST識別
9．5．1 數(shù)據(jù)準備
9．5．2 創(chuàng)建模型
9．5．3 訓練模型
9．5．4 模型預(yù)測
9．5．5 單張圖像預(yù)測
9．6 小結(jié)
第 10章 狗狗的品種識別
10．1 數(shù)據(jù)準備
10．1．1 環(huán)境準備
10．1．2 數(shù)據(jù)可視化
10．1．3 預(yù)處理數(shù)據(jù)
10．2 基于Keras的卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測
10．2．1 創(chuàng)建模型
10．2．2 訓練模型
10．2．3 模型評估
10．3 基于Keras的InceptionV3預(yù)訓練模型實現(xiàn)預(yù)測
10．3．1 模型函數(shù)聲明
10．3．2 預(yù)測單張圖片
10．4 基于TFHUB的Keras的遷移學習實現(xiàn)預(yù)測
10．4．1 數(shù)據(jù)集下載和準備
10．4．2 預(yù)訓練模型下載
10．4．3 創(chuàng)建模型
10．4．4 訓練模型
10．4．5 測試模型
10．4．6 模型預(yù)測單張圖片
10．5 小結(jié)
第 11章 人臉識別
11．1 數(shù)據(jù)準備
11．1．1 環(huán)境準備
11．1．2 數(shù)據(jù)下載和分析
11．1．3 人臉圖像數(shù)據(jù)預(yù)覽
11．2 基于FaceNet的人臉對齊和驗證
11．2．1 下載和對齊圖像
11．2．2 在LFW上驗證
11．3 訓練自己的人臉識別模型
11．3．1 圖像數(shù)據(jù)準備和對齊
11．3．2 訓練模型
11．3．3 驗證模型
11．3．4 再訓練模型
11．3．5 再評估模型
11．3．6 將模型CheckPoints文件轉(zhuǎn)換成pb文件
11．4 基于FaceRecognition的人臉識別
11．4．1 配置環(huán)境
11．4．2 人臉圖像檢測
11．4．3 實時人臉識別
11．5 小結(jié)
第 12章 人臉面部表情識別
12．1 基于Keras的卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)人臉面部表情識別
12．1．1 環(huán)境準備
12．1．2 數(shù)據(jù)準備
12．1．3 數(shù)據(jù)集分割
12．1．4 數(shù)據(jù)集預(yù)處理
12．1．5 構(gòu)建CNN模型
12．1．6 圖片增強與訓練模型
12．1．7 評估模型
12．1．8 保存與讀取模型
12．1．9 單張圖片測試模型
12．2 對視頻中的人臉面部做表情識別
12．2．1 讀取模型
12．2．2 模型參數(shù)定義
12．2．3 視頻的幀處理函數(shù)定義
12．2．4 識別與轉(zhuǎn)換視頻
12．3 實時人臉面部表情識別
12．3．1 模型參數(shù)定義
12．3．2 啟動攝像頭和識別處理
12．4 小結(jié)
第 13章 人體姿態(tài)識別
13．1 基于TensorFlow實現(xiàn)人體姿態(tài)識別
13．1．1 環(huán)境準備
13．1．2 下載與安裝
13．1．3 單張圖像識別
13．1．4 視頻內(nèi)容里的人的姿態(tài)識別
13．1．5 實時攝像識別
13．2 基于Keras實現(xiàn)人體姿態(tài)識別
13．2．1 環(huán)境準備
13．2．2 下載倉庫
13．2．3 單張圖像識別
13．2．4 視頻內(nèi)容里的人的姿態(tài)識別
13．2．5 實時攝像識別
13．3 小結(jié)
第 14章 皮膚癌分類
14．1 數(shù)據(jù)準備
14．1．1 環(huán)境準備
14．1．2 數(shù)據(jù)下載
14．1．3 數(shù)據(jù)可視化
14．2 基于Keras的卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)分類
14．2．1 數(shù)據(jù)預(yù)處理
14．2．2 創(chuàng)建CNN模型
14．2．3 編譯模型
14．2．4 訓練模型
14．2．5 評估模型和圖像測試
14．3 基于TensorFlow的遷移學習實現(xiàn)分類
14．3．1 數(shù)據(jù)準備
14．3．2 訓練模型
14．3．3 驗證模型
14．3．4 Tensorboard可視化
14．4 小結(jié)
第 15章 對象檢測
15．1 對象檢測的應(yīng)用領(lǐng)域
15．1．1 無人機應(yīng)用領(lǐng)域
15．1．2 自動駕駛汽車應(yīng)用領(lǐng)域
15．1．3 無人超市應(yīng)用領(lǐng)域
15．2 原理分析
15．2．1 R-CNN的介紹與分析
15．2．2 Faster R-CNN的介紹與分析
15．2．3 Mask R-CNN的介紹與分析
15．3 基于Mask R-CNN Inception COCO的圖片對象檢測
15．3．1 環(huán)境準備
15．3．2 導入Packages
15．3．3 下載 Mask R-CNN Inception 2018 預(yù)訓練模型
15．3．4 加載模型到內(nèi)存中
15．3．5 加載類別映射
15．3．6 定義函數(shù)將圖片轉(zhuǎn)為Numpy數(shù)組
15．3．7 定義圖像對象檢測函數(shù)
15．3．8 檢測圖像中的對象
15．3．9 效果預(yù)覽
15．4 基于Faster R-CNN Inception COCO的視頻實時對象檢測
15．4．1 環(huán)境準備
15．4．2 導入Packages
15．4．3 下載Faster R-CNN Inception 2018預(yù)訓練模型
15．4．4 加載模型到內(nèi)存中
15．4．5 加載類別映射
15．4．6 定義視頻中的圖像對象檢測函數(shù)
15．4．7 定義視頻中的圖像處理函數(shù)
15．4．8 視頻中的圖像對象檢測
15．4．9 效果預(yù)覽
15．5 基于 SSD MobileNet COCO的實時對象檢測
15．5．1 環(huán)境準備
15．5．2 導入Packages
15．5．3 下載 SSD MobileNet 2018 預(yù)訓練模型
15．5．4 加載模型到內(nèi)存中
15．5．5 加載類別映射
15．5．6 開啟實時對象檢測
15．5．7 效果預(yù)覽
15．6 小結(jié)
第三篇 生成類項目實戰(zhàn)
第 16章 看圖寫話
16．1 數(shù)據(jù)準備
16．1．1 環(huán)境準備
16．1．2 數(shù)據(jù)下載
16．1．3 數(shù)據(jù)預(yù)處理
16．2 基于TensorFlow的Show and Tell實現(xiàn)看圖寫話
16．2．1 數(shù)據(jù)統(tǒng)計
16．2．2 構(gòu)建TFRecords格式數(shù)據(jù)
16．2．3 訓練模型
16．2．4 評估模型
16．2．5 測試模型
16．3 小結(jié)
第 17章 生成電視劇劇本
17．1 數(shù)據(jù)準備
17．1．1 環(huán)境準備
17．1．2 數(shù)據(jù)預(yù)處理
17．1．3 數(shù)據(jù)可視化分析
17．2 基于TensorFlow的循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)生成電視劇劇本
17．2．1 創(chuàng)建檢查表
17．2．2 數(shù)據(jù)token化預(yù)處理
17．2．3 創(chuàng)建Tensor占位符和學習率
17．2．4 初始化RNN Cell
17．2．5 創(chuàng)建Embedding
17．2．6 創(chuàng)建神經(jīng)網(wǎng)絡(luò)
17．2．7 創(chuàng)建超參數(shù)和優(yōu)化器
17．2．8 訓練神經(jīng)網(wǎng)絡(luò)模型
17．2．9 生成電視劇劇本
17．3 基于Textgenrnn來實現(xiàn)生成電視劇劇本
17．3．1 訓練模型
17．3．2 生成劇本文本
17．4 小結(jié)
第 18章 風格遷移
18．1 基于TensorFlow實現(xiàn)神經(jīng)風格遷移
18．1．1 環(huán)境準備
18．1．2 圖像預(yù)覽
18．1．3 處理圖像
18．1．4 模型獲取
18．1．5 損失函數(shù)計算
18．1．6 訓練模型與圖像生成
18．2 基于Keras實現(xiàn)神經(jīng)風格遷移
18．2．1 圖像預(yù)覽
18．2．2 圖片處理
18．2．3 獲取模型
18．2．4 損失函數(shù)計算
18．2．5 迭代與生成風格圖像
18．3 小結(jié)
第 19章 生成人臉
19．1 基于TensorFlow的GAN實現(xiàn)MNIST數(shù)字圖像生成
19．1．1 環(huán)境準備
19．1．2 MNIST數(shù)字圖像數(shù)據(jù)準備
19．1．3 隨機查看25張圖像
19．1．4 構(gòu)建模型輸入
19．1．5 構(gòu)建辨別器
19．1．6 構(gòu)建生成器
19．1．7 計算模型損失
19．1．8 構(gòu)建優(yōu)化器
19．1．9 構(gòu)建訓練模型時的圖像輸出
19．1．10 構(gòu)建訓練模型函數(shù)
19．1．11 訓練MNIST數(shù)據(jù)集的GAN模型
19．2 基于TensorFlow的GAN實現(xiàn)LFW人臉圖像生成
19．2．1 人臉圖像數(shù)據(jù)準備
19．2．2 訓練LFW數(shù)據(jù)集的GAN模型
19．3 小結(jié)
第 20章 圖像超分辨率
20．1 效果預(yù)覽與數(shù)據(jù)準備
20．1．1 效果預(yù)覽
20．1．2 環(huán)境準備
20．1．3 數(shù)據(jù)準備
20．2 基于TensorFlow的DCGAN實現(xiàn)超分辨率
20．2．1 下載srez代碼庫
20．2．2 訓練模型將模糊圖像生成清晰圖像
20．2．3 輸出效果預(yù)覽
20．2．4 生成效果圖視頻
20．2．5 圖片放大高清化
20．3 srez庫的代碼分析
20．3．1 主入口函數(shù)代碼分析
20．3．2 創(chuàng)建模型代碼分析
20．3．3 訓練模型代碼分析
20．4 小結(jié)
第 21章 移花接木
21．1 基本信息
21．1．1 三種模型效果預(yù)覽
21．1．2 環(huán)境準備
21．1．3 圖片數(shù)據(jù)集準備
21．1．4 CycleGAN網(wǎng)絡(luò)模型架構(gòu)
21．2 基于CycleGAN將蘋果生成橘子
21．2．1 下載代碼庫
21．2．2 圖片數(shù)據(jù)處理
21．2．3 訓練模型
21．2．4 導出模型
21．2．5 測試圖片
21．3 基于CycleGAN將馬生成斑馬
21．3．1 圖片數(shù)據(jù)處理
21．3．2 訓練模型
21．3．3 導出模型
21．3．4 測試圖片
21．4 男性和女性的人臉面貌互換
21．4．1 環(huán)境準備
21．4．2 計算和生成模型
21．4．3 代碼分析
21．5 小結(jié)