第1章 打开学习Keras的大门

1.1 为什么要选择Keras

1.2 基于Windows 10系统的安装与配置

1.2.1 安装Visual Studio 2017社区版

1.2.2 安装CUDA

1.2.3 安装cuDNN

1.2.4 安装Anaconda

1.2.5 安装TensorFlow

1.2.6 安装Keras

1.3 基于Ubuntu 16.04 LTS系统的安装与配置

1.3.1 安装NVIDIA驱动

1.3.2 降低GCC编译器的版本

1.3.3 安装CUDA 8.0

1.3.4 安装cuDNN

1.3.5 配置环境变量

1.3.6 安装Anaconda

1.3.7 安装TensorFlow与Keras

1.4 本章小结

第2章 Python数据相关编程入门

2.1 Python常用数据结构

2.1.1 列表list的创建和基本用法

2.1.2 列表的切片

2.1.3 列表元素的动态添加

2.1.4 列表元素的动态删除

2.1.5 列表元素的查找、统计与排序

2.1.6 列表元素的原地复制和翻转

2.1.7 数组array

2.1.8 元组（tuple）的使用

2.1.9 集合set

2.1.10 字典dict

2.2 遍历数据结构

2.2.1 基于for循环的遍历

2.2.2 基于while循环的遍历

2.2.3 构造数据结构时的隐式遍历

2.3 逻辑运算与数据过滤

2.3.1 基本逻辑运算：与、或、非

2.3.2 按位操作的逻辑运算

2.3.3 数据过滤

2.4 自定义函数与作用域

2.4.1 自定义函数与作用域

2.4.2 闭包函数（嵌套函数）

2.4.3 灵活的函数参数

2.4.4 匿名函数

2.4.5 高阶函数

2.5 迭代器与可迭代对象

2.5.1 自定义迭代器

2.5.2 其他常用迭代器

2.6 生成器与协程

2.6.1 生成器的基本用法

2.6.2 基于生成器的协程

2.7 推导式——简化代码的利器

2.7.1 列表推导式

2.7.2 字典推导式

2.7.3 集合推导式

2.7.4 生成器推导式

2.8 本章小结

第3章 常用Python工具包

3.1 环境搭建

3.1.1 使用Anaconda集成式安装

3.1.2 通过pip定制化安装

3.2 Jupyter Notebook简介

3.2.1 安装与运行

3.2.2 主面板介绍

3.2.3 编辑界面

3.2.4 单元（Cell）

3.2.5 魔法函数

3.2.6 Matplotlib集成

3.2.7 远程访问Jupyter Notebook

3.3 Numpy简介

3.3.1 Numpy与Python的性能比较

3.3.2 广播特性

3.3.3 索引与视图

3.3.4 指定遍历轴

3.3.5 线性代数功能

3.3.6 通用函数与常用技巧

3.4 Matplotlib简介

3.4.1 用pyplot绘制简单图像

3.4.2 修改线条粗细

3.4.3 修改线条的颜色与形状

3.4.4 绘制多子图

3.4.5 添加解释说明与图例

3.4.6 定制坐标轴与辅助线

3.5 Pandas简介

3.5.1 读入csv文件

3.5.2 截取数据与描述数据

3.5.3 数据可视化

3.5.4 数据融合与分离

3.6 Scipy简介

3.6.1 操作MATLAB文件

3.6.2 数理统计函数

3.6.3 函数插值与曲线拟合

3.6.4 图像处理

3.7 本章小结

第4章 深度学习基本原理

4.1 深度学习简介

4.1.1 什么是深度学习

4.1.2 深度学习的发展

4.1.3 深度学习的应用

4.2 感知机基本原理

4.2.1 感知机基本结构

4.2.2 偏置项

4.2.3 训练感知机

4.2.4 常见激活函数

4.3 梯度下降法训练模型

4.3.1 线性单元的梯度下降法与Sigmoid函数

4.3.2 全连接网络的梯度下降法

4.4 构建简单的全连接网络

4.4.1 激活函数的代码实现

4.4.2 网络层的代码实现

4.4.3 序贯模型的代码实现

4.4.4 完整代码实现及模型训练结果

4.5 实战：手写数字识别

4.5.1 数据集解压缩

4.5.2 加载数据集

4.5.3 标签预处理与模型训练

4.6 本章小结

第5章 基于Keras的卷积神经网络

5.1 Keras框架初探

5.1.1 使用Keras构建简单的全连接层

5.1.2 定制化全连接层

5.1.3 编译与执行训练

5.2 使用Keras构建卷积神经网络

5.2.1 卷积简介

5.2.2 搭建基本的卷积神经网络

5.3 预训练模型与特征可视化

5.3.1 预训练模型

5.3.2 基于预训练模型的特征提取

5.3.3 预训练模型微调

5.3.4 可视化模型隐层特征

5.3.5 基于梯度的可视化技术

5.4 实战：CIFAR 10图像分类

5.4.1 数据集预处理

5.4.2 构建分类模型并训练

5.4.3 数据增强技术

5.5 本章小结

第6章 用Keras进行序列处理

6.1 序列预处理：onehot编码与词嵌入

6.1.1 onehot编码与词袋模型

6.1.2 词嵌入技术简介

6.2 基于深度学习的序列处理技术

6.2.1 循环神经网络RNN

6.2.2 长短期记忆网络LSTM

6.2.3 门控循环单元网络GRU

6.2.4 双向循环神经网络模型

6.3 CNN与RNN相结合的序列处理

6.3.1 一维卷积的序列处理

6.3.2 引入卷积的GRU模型

6.4 实战：IMDB电影评论情感分类

6.4.1 基于onehot词袋模型的分类

6.4.2 CNN与GRU相结合的分类

6.5 本章小结

第7章 KeraS函数式API及其应用

7.1 基于函数式API的多输入多输出模型

7.1.1 Keras函数式API简介

7.1.2 构建多输入单输出模型

7.1.3 构建单输入多输出模型

7.1.4 构建多输入多输出模型

7.2 基于函数式API的回调函数

7.2.1 使用回调函数保存最佳模型

7.2.2 提前停止（Early Stopping）与调整学习率（Schedule Learning Rate）相结合的回调函数

7.2.3 自定义回调函数

7.3 自定义Keras层与可视化Keras模型

7.3.1 自定义Keras层

7.3.2 基于pydot和Graphviz的模型可视化

7.3.3 基于TensorBoard的模型可视化

7.4 实战：基于函数式API的机器翻译模型

7.4.1 准备工作

7.4.2 数据集预处理

7.4.3 构建端到端的机器翻译模型

7.4.4 后处理解码输出目标序列

7.4.5 翻译模型的训练和预测

7.5 本章小结

第8章 基于Keras的深度生成式学习

8.1 生成式对抗网络GAN简介

8.1.1 DCGAN生成器G

8.1.2 DCGAN判别器D

8.1.3 DCGAN的训练与图像生成

8.2 变分自编码器简介

8.2.1 变分自编码器VAE

8.2.2 条件变分自编码器CVAE

8.3 实战：基于降噪自编码器的图像去噪

8.3.1 数据预处理

8.3.2 构建降噪自编码器

8.3.3 模型训练及图像去噪

8.4 本章小结

参考文献