深度學習訓練營 21天實戰 TensorFlow+Keras+scikit-learn

張強

現任特拉字節（北京）科技有限公司執行董事，曾任職奇虎360企業安全集團藍信團隊*級研發工程師、
知乎移動端*級研發工程師。具有豐富的人工智能深度學習領域知識，多年前端、iOS移動端、Python後端、
數據分析和.Net後端的研發經驗，對深度學習、神經網絡、App、網站、
服務器具有一定的研發工作經驗和深度見解，運營公眾號“小強AI”。  

目錄：  
第一篇預測類項目實戰  
第1章房價預測  
1.1數據準備  
1.1.1環境準備  
1.1.2預處理數據  
1.1.3數據可視化分析  
1.2基於scikit-learn實現房價預測  
1.2.1衡量R2值  
1.2.2模型性能對比  
1.2.3網格搜索模型  
1.2.4波士頓房價預測  
1.2.5北京房價預測  
1.3基於Keras實現房價預測  
1.3.1數據準備  
1.3.2創建神經網絡模型  
1.3.3訓練網絡模型  
1.3.4可視化模型的結果  
1.3.5評估和預測模型  
1.3.6預測可視化顯示  
1.4小結
  
第2章泰坦尼克號生還預測  
2.1數據準備  
2.1.1環境準備  
2.1.2預處理數據  
2.1.3缺失值處理  
2.1.4數據清洗與分割  
2.2基於決策樹模型預測  
2.2.1訓練  
2.2.2預測  
2.3基於邏輯回歸模型預測  
2.3.1訓練  
2.3.2預測  
2.4基於梯度提升分類器模型預測  
2.4.1訓練  
2.4.2預測  
2.5基於神經網絡模型預測  
2.5.1訓練  
2.5.2預測  
2.5.3繪製曲線圖  
2.6基於Keras的神經網絡模型預測  
2.6.1訓練  
2.6.2預測  
2.7小結  

第3章共享單車使用情況預測  
3.1數據準備  
3.1 .1環境準備  
3.1.2數據可視化  
3.1.3預處理數據  
3.1.4數據清洗與分割  
3.2基於TensorFlow的長短期記憶網絡模型預測  
3.2.1處理序列  
3.2.2參數準備  
3.2.3創建LSTM模型  
3.2. 4訓練模型  
3.2.5模型預覽與測試  
3.2.6對比預測值模型預覽  
3.3小結 
 
第4章福彩3D中獎預測  
4.1數據準備  
4.1.1環境準備  
4.1.2數據準備  
4.1.3數據預處理  
4.1.4數據可視化  
4.2基於神經網絡模型預測  
4.2.1決策樹  
4.2.2多層感知器  
4.2.3時間序列基礎  
4.2.4時間序列預測  
4.2.5根據開獎號碼單變量單個位數預測  
4.3小結  

第5章股票走勢預測  
5.1數據準備  
5.1.1環境準備  
5.1.2數據集說明  
5.2百度股票預測  
5.2.1數據準備  
5.2.2數據可視化  
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股票預測  
5.2.6股票買入策略  
5.3微軟股票預測  
5.3.1數據準備  
5.3.2數據可視化  
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股票預測  
5.3.6股票買入戰略  
5.4小結  

第6章垃圾郵件預測  
6.1數據準備  
6.1.1環境準備  
6.1.2數據準備  
6.1 .3數據預處理  
6.2基於多項式樸素貝葉斯的郵件分類  
6.2.1數據處理  
6.2.2創建和訓練模型  
6.2.3測試模型  
6.3基於TensorFlow的神經網絡模型的郵件分類  
6.3.1構建N-Gram向量化數據  
6.3.2創建模型  
6.3.3訓練模型  
6.3.4可視化訓練結果  
6.4小結  

第7章影評的情感分析  
7.1數據準備  
7.1.1環境準備  
7.1.2預處理數據  
7.1.3數據集編碼  
7.1.4數據集分割  
7.2基於TensorFlow的長短期記憶網絡實現影評的情感分析  
7.2.1參數準備  
7.2.2創建LSTM模型  
7.2.3訓練模型  
7.2.4模型測試  
7.3基於Keras的長短期記憶網絡實現影評的情感分析  
7.3.1數據預處理  
7.3.2創建模型  
7.3.3預覽模型架構  
7.3.4訓練模型  
7.3.5模型評估  
7.4小結  

第8章語言翻譯  
8.1數據準備  
8.1.1環境準備  
8.1.2數據準備  
8.1.3數據預處理  
8.2基於Keras的長短期記憶網絡實現語言翻譯  
8.2.1 Tokenize文本數據  
8.2.2數據編碼和填充  
8.2.3創建模型  
8.2.4訓練模型  
8.2.5測試模型
  
*二篇識別類項目實戰  
第9章MNIST手寫數字識別  
9.1 MNIST數據集  
9.1.1簡介  
9.1.2數據下載  
9.1.3可視化數據  
9.2基於多層感知器的TensorFlow實現MNIST識別  
9.2.1參數準備  
9.2.2創建模型  
9.2.3訓練模型  
9.2.4模型預測  
9.3基於多層感知器的Keras實現MNIST識別  
9.3.1數據準備  
9.3.2創建模型  
9.3.3訓練模型  
9.3.4模型預測  
9.3.5單張圖像預測  
9.4基於卷積神經網絡的TensorFlow實現MNIST識別  
9.4.1參數準備  
9.4.2創建模型  
9.4.3訓練模型  
9.4.4模型預測  
9.5基於卷積神經網絡的Keras實現MNIST識別  
9.5.1數據準備  
9.5.2創建模型  
9.5.3訓練模型  
9.5.4模型預測  
9.5.5單張圖像預測  
9.6小結  

第10章狗狗的品種識別  
10.1數據準備  
10.1.1環境準備  
10.1.2數據可視化  
10.1.3預處理數據  
10.2基於Keras的捲積神經網絡模型預測  
10.2.1創建模型  
10.2.2訓練模型  
10.2.3模型評估  
10.3基於Keras的InceptionV3預訓練模型實現預測  
10.3.1模型函數聲明  
10.3.2預測單張圖片  
10.4基於TFHUB的Keras的遷移學習實現預測  
10.4.1數據集下載和準備  
10.4.2預訓練模型下載  
10.4.3創建模型  
10.4.4訓練模型  
10.4.5測試模型  
10.4.6模型預測單張圖片  
10.5小結
  
第11章人臉識別  
11.1數據準備  
11.1.1環境準備  
11.1.2數據下載和分析  
11.1.3人臉圖像數據預覽  
11.2基於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圖像數據準備和對齊  
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文件轉換成pb文件  
11.4基於FaceRecognition的人臉識別  
11.4 .1配置環境  
11.4.2人臉圖像檢測  
11.4.3實時人臉識別  
11.5小結  

第12章人臉面部表情識別  
12.1基於Keras的捲積神經網絡實現人臉面部表情識別  
12.1.1環境準備  
12.1.2數據準備  
12.1.3數據集分割  
12.1.4數據集預處理  
12.1.5構建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模型參數定義  
12.2.3視頻的幀處理函數定義  
12.2. 4識別與轉換視頻  
12.3實時人臉面部表情識別  
12.3.1模型參數定義  
12.3.2啟動攝像頭和識別處理  
12.4小結  

第13章人體姿態識別  
13.1基於TensorFlow實現人體姿態識別  
13.1.1環境準備  
13.1.2下載與安裝  
13.1.3單張圖像識別  
13.1.4視頻內容裡的人的姿態識別  
13.1.5實時攝像識別  
13.2基於Keras實現人體姿態識別  
13.2.1環境準備  
13.2.2下載倉庫  
13.2.3單張圖像識別  
13.2.4視頻內容裡的人的姿態識別  
13.2.5實時攝像識別  
13.3小結  

第14章皮膚癌分類  
14.1數據準備  
14.1.1環境準備  
14.1.2數據下載  
14.1.3數據可視化  
14.2基於Keras的捲積神經網絡實現分類  
14.2.1數據預處理  
14.2.2創建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基於TensorFlow的遷移學習實現分類  
14.3.1數據準備  
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  

第15章對象檢測  
15.1對象檢測的應用領域  
15.1.1無人機應用領域  
15.1.2自動駕駛汽車應用領域  
15.1.3無人超市應用領域  
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基於Mask R- CNN Inception COCO的圖片對象檢測  
15.3.1環境準備  
15.3.2導入Packages  
15.3.3下載Mask R-CNN Inception 2018預訓練模型  
15.3.4加載模型到內存中  
15.3.5加載類別映射  
15.3.6定義函數將圖片轉為Numpy數組  
15.3.7定義圖像對象檢測函數  
15.3.8檢測圖像中的對象  
15.3.9效果預覽  
15.4基於Faster R -CNN Inception COCO的視頻實時對象檢測  
15.4.1環境準備  
15.4.2導入Packages  
15.4.3下載Faster R-CNN Inception 2018預訓練模型  
15.4.4加載模型到內存中  
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  
15.4.7定義視頻中的圖像處理函數  
15.4.8視頻中的圖像對象檢測  
15.4.9效果預覽  
15.5基於SSD MobileNet COCO的實時對象檢測  
15.5.1環境準備  
15.5.2導入Packages  
15.5.3下載SSD MobileNet 2018預訓練模型  
15.5.4加載模型到內存中  
15.5.5加載類別映射  
15.5.6開啟實時對象檢測  
15.5.7效果預覽  
15.6小結  

第三篇生成類項目實戰  
第16章看圖寫話  
16.1數據準備  
16.1.1環境準備  
16.1.2數據下載  
16.1.3數據預處理  
16.2基於TensorFlow的Show and Tell實現看圖寫話  
16.2.1數據統計  
16.2.2構建TFRecords格式數據  
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  

第17章生成電視劇劇本  
17.1數據準備  
17.1.1環境準備  
17.1.2數據預處理  
17.1.3數據可視化分析  
17.2基於TensorFlow的循環神經網絡實現生成電視劇劇本  
17.2.1創建檢查表  
17.2.2數據token化預處理  
17.2.3創建Tensor佔位符和學習率  
17.2.4初始化RNN Cell  
17.2.5創建Embedding  
17.2.6創建神經網絡  
17.2.7創建超參數和優化器  
17.2.8訓練神經網絡模型  
17.2.9生成電視劇劇本  
17.3基於Textgenrnn來實現生成電視劇劇本  
17.3.1訓練模型  
17.3.2生成劇本文本  
17.4小結 
 
第18章風格遷移  
18.1基於TensorFlow實現神經風格遷移  
18.1.1環境準備  
18.1.2圖像預覽  
18.1.3處理圖像  
18.1. 4模型獲取  
18.1.5損失函數計算  
18.1.6訓練模型與圖像生成  
18.2基於Keras實現神經風格遷移  
18.2.1圖像預覽  
18.2.2圖片處理  
18.2.3獲取模型  
18.2.4損失函數計算  
18.2.5迭代與生成風格圖像  
18.3小結  

第19章生成人臉  
19.1基於TensorFlow的GAN實現MNIST數字圖像生成  
19.1.1環境準備  
19.1.2 MNIST數字圖像數據準備  
19.1.3隨機查看25張圖像  
19.1.4構建模型輸入  
19.1. 5構建辨別器  
19.1.6構建生成器  
19.1.7計算模型損失  
19.1.8構建優化器  
19.1.9構建訓練模型時的圖像輸出  
19.1.10構建訓練模型函數  
19.1.11訓練MNIST數據集的GAN模型  
19.2基於TensorFlow的GAN實現LFW人臉圖像生成  
19.2.1人臉圖像數據準備  
19.2.2訓練LFW數據集的GAN模型  
19.3小結  

第20章圖像超分辨率  
20.1效果預覽與數據準備  
20.1.1效果預覽  
20.1.2環境準備  
20.1.3數據準備  
20.2基於TensorFlow的DCGAN實現超分辨率  
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主入口函數代碼分析  
20.3.2創建模型代碼分析  
20.3.3訓練模型代碼分析  
20.4小結  

第21章移花接木  
21.1基本信息  
21.1.1三種模型效果預覽  
21.1.2環境準備  
21.1.3圖片數據集準備  
21.1.4 CycleGAN網絡模型架構  
21.2基於CycleGAN將蘋果生成橘子  
21.2.1下載代碼庫  
21.2.2圖片數據處理  
21.2.3訓練模型  
21.2.4導出模型  
21.2. 5測試圖片  
21.3基於CycleGAN將馬生成斑馬  
21.3.1圖片數據處理  
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環境準備  
21.4.2計算和生成模型  
21.4.3代碼分析  
21.5小結