第一部分 初识

1 初识深度学习

1.1 Python的深度学习

1.2 软件环境和基本要求

1.2.1 Python和SciPy

1.2.2 机器学习

1.2.3 深度学习

1.3 阅读本书的收获

1.4 本书说明

1.5 本书中的代码

2 深度学习生态圈

2.1 CNTK

2.1.1 安装CNTK

2.1.2 CNTK的简单例子

2.2 TensorFlow

2.2.1 TensorFlow介绍

2.2.2 安装TensorFlow

2.2.3 TensorFlow的简单例子

2.3 Keras

2.3.1 Keras简介

2.3.2 Keras安装

2.3.3 配置Keras的后端

2.3.4 使用Keras构建深度学习模型

2.4 云端GPUs计算

第二部分 多层感知器

3 第一个多层感知器实例：印第安人糖尿病诊断

3.1 概述

3.2 Pima Indians数据集

3.3 导入数据

3.4 定义模型

3.5 编译模型

3.6 训练模型

3.7 评估模型

3.8 汇总代码

4 多层感知器速成

4.1 多层感知器

4.2 神经元

4.2.1 神经元权重

4.2.2 激活函数

4.3 神经网络

4.3.1 输入层（可视层）

4.3.2 隐藏层

4.3.3 输出层

4.4 训练神经网络

4.4.1 准备数据

4.4.2 随机梯度下降算法

4.4.3 权重更新

4.4.4 预测新数据

5 评估深度学习模型

5.1 深度学习模型和评估

5.2 自动评估

5.3 手动评估

5.3.1 手动分离数据集并评估

5.3.2 k折交叉验证

6 在Keras中使用Scikit-Learn

6.1 使用交叉验证评估模型

6.2 深度学习模型调参

7 多分类实例：鸢尾花分类

7.1 问题分析

7.2 导入数据

7.3 定义神经网络模型

7.4 评估模型

7.5 汇总代码

8 回归问题实例：波士顿房价预测

8.1 问题描述

8.2 构建基准模型

8.3 数据预处理

8.4 调参隐藏层和神经元

9 二分类实例：银行营销分类

9.1 问题描述

9.2 数据导入与预处理

9.3 构建基准模型

9.4 数据格式化

9.5 调参网络拓扑图

10 多层感知器进阶

10.1 JSON序列化模型

10.2 YAML序列化模型

10.3 模型增量更新

10.4 神经网络的检查点

10.4.1 检查点跟踪神经网络模型

10.4.2 自动保存最优模型

10.4.3 从检查点导入模型

10.5 模型训练过程可视化

11 Dropout与学习率衰减

11.1 神经网络中的Dropout

11.2 在Keras中使用Dropout

11.2.1 输入层使用Dropout

11.2.2 在隐藏层使用Dropout

11.2.3 Dropout的使用技巧

11.3 学习率衰减

11.3.1 学习率线性衰减

11.3.2 学习率指数衰减

11.3.3 学习率衰减的使用技巧

第三部分 卷积神经网络

12 卷积神经网络速成

12.1 卷积层

12.1.1 滤波器

12.1.2 特征图

12.2 池化层

12.3 全连接层

12.4 卷积神经网络案例

13 手写数字识别

13.1 问题描述

13.2 导入数据

13.3 多层感知器模型

13.4 简单卷积神经网络

13.5 复杂卷积神经网络

14 Keras中的图像增强

14.1 Keras中的图像增强API

14.2 增强前的图像

14.3 特征标准化

14.4 ZCA白化

14.5 随机旋转、移动、剪切和反转图像

14.6 保存增强后的图像

15 图像识别实例：CIFAR-10分类

15.1 问题描述

15.2 导入数据

15.3 简单卷积神经网络

15.4 大型卷积神经网络

15.5 改进模型

16 情感分析实例：IMDB影评情感分析

16.1 问题描述

16.2 导入数据

16.3 词嵌入

16.4 多层感知器模型

16.5 卷积神经网络

第四部分 循环神经网络

17 循环神经网络速成

17.1 处理序列问题的神经网络

17.2 循环神经网络

17.3 长短期记忆网络

18 多层感知器的时间序列预测：国际旅行人数预测

18.1 问题描述

18.2 导入数据

18.3 多层感知器

18.4 使用窗口方法的多层感知器

19 LSTM时间序列问题预测：国际旅行人数预测

19.1 LSTM处理回归问题

19.2 使用窗口方法的LSTM回归

19.3 使用时间步长的LSTM回归

19.4 LSTM的批次间记忆

19.5 堆叠LSTM的批次间记忆

20 序列分类：IMDB影评分类

20.1 问题描述

20.2 简单LSTM

20.3 使用Dropout改进过拟合

20.4 混合使用LSTM和CNN

21 多变量时间序列预测：PM2.5预报

21.1 问题描述

21.2 数据导入与准备

21.3 构建数据集

21.4 简单LSTM

22 文本生成实例：爱丽丝梦游仙境

22.1 问题描述

22.2 导入数据

22.3 分词与向量化

22.4 词云

22.5 简单LSTM

22.6 生成文本

附录A 深度学习的基本概念

A.1 神经网络基础

A.2 卷积神经网络

A.3 循环神经网络