《深度学习训练营 21天实战TENSORFLOW+KERAS+SCIKIT-LEARN》求取 ⇩

第一篇预测类项目实战2

第1章房价预测2

1.1数据准备2

1.1.1 环境准备2

1.1.2 预处理数据3

1.1.3 数据可视化分析5

1.2基于scikit-learn实现房价预测7

1.2.1 衡量R2值7

1.2.2 模型性能对比7

1.2.3 网格搜索模型12

1.2.4 波士顿房价预测13

1.2.5 北京房价预测16

1.3基于Keras实现房价预测19

1.3.1 数据准备19

1.3.2 创建神经网络模型20

1.3.3 训练网络模型21

1.3.4 可视化模型的结果22

1.3.5 评估和预测模型23

1.3.6 预测可视化显示24

1.4 小结26

第2章泰坦尼克号生还预测27

2.1数据准备27

2.1.1 环境准备27

2.1.2 预处理数据28

2.1.3 缺失值处理29

2.1.4 数据清洗与分割32

2.2基于决策树模型预测33

2.2.1 训练33

2.2.2 预测33

2.3基于逻辑回归模型预测34

2.3.1 训练34

2.3.2 预测35

2.4基于梯度提升分类器模型预测35

2.4.1 训练35

2.4.2 预测35

2.5基于神经网络模型预测36

2.5.1 训练36

2.5.2 预测36

2.5.3 绘制曲线图37

2.6基于Keras的神经网络模型预测38

2.6.1 训练38

2.6.2 预测39

2.7 小结40

第3章共享单车使用情况预测41

3.1数据准备41

3.1.1 环境准备41

3.1.2 数据可视化41

3.1.3 预处理数据51

3.1.4 数据清洗与分割52

3.2基于TensorFlow的长短期记忆网络模型预测52

3.2.1 处理序列52

3.2.2 参数准备53

3.2.3 创建LSTM模型53

3.2.4 训练模型54

3.2.5 模型预览与测试56

3.2.6 对比预测值模型预览58

3.3 小结59

第4章福彩3D中奖预测60

4.1数据准备60

4.1.1 环境准备60

4.1.2 数据准备60

4.1.3 数据预处理61

4.1.4 数据可视化62

4.2基于神经网络模型预测68

4.2.1 决策树69

4.2.2 多层感知器69

4.2.3 时间序列基础70

4.2.4 时间序列预测73

4.2.5 根据中奖号码单变量单个位数预测74

4.3 小结76

第5章股票走势预测77

5.1数据准备77

5.1.1 环境准备77

5.1.2 数据集说明77

5.2百度股票预测78

5.2.1 数据准备78

5.2.2 数据可视化80

5.2.3 计算购买的股票收益82

5.2.4 训练和评估模型84

5.2.5 股票预测87

5.2.6 股票买入策略88

5.3微软股票预测89

5.3.1 数据准备89

5.3.2 数据可视化89

5.3.3 计算购买的股票收益90

5.3.4 训练和评估模型91

5.3.5 股票预测92

5.3.6 股票买入策略92

5.4 小结93

第6章垃圾邮件预测94

6.1数据准备94

6.1.1 环境准备94

6.1.2 数据准备95

6.1.3 数据预处理95

6.2基于多项式朴素贝叶斯分类器的邮件分类101

6.2.1 数据处理101

6.2.2 创建和训练模型102

6.2.3 测试模型102

6.3基于TensorFlow的神经网络模型的邮件分类103

6.3.1 构建N-Gram向量化数据103

6.3.2 创建模型104

6.3.3 训练模型104

6.3.4 可视化训练结果106

6.4 小结107

第7章影评的情感分析108

7.1数据准备108

7.1.1 环境准备108

7.1.2 预处理数据108

7.1.3 数据集编码110

7.1.4 数据集分割114

7.2基于TensorFlow的长短期记忆网络实现影评的情感分析115

7.2.1 参数准备115

7.2.2 创建LSTM模型116

7.2.3 训练模型117

7.2.4 模型测试119

7.3基于Keras的长短期记忆网络实现影评的情感分析119

7.3.1 数据预处理119

7.3.2 创建模型120

7.3.3 预览模型架构120

7.3.4 训练模型120

7.3.5 模型评估121

7.4 小结121

第8章语言翻译122

8.1数据准备122

8.1.1 环境准备122

8.1.2 数据准备122

8.1.3 数据预处理123

8.2基于Keras的长短期记忆网络实现语言翻译126

8.2.1 Tokenize文本数据126

8.2.2 数据编码和填充127

8.2.3 创建模型128

8.2.4 训练模型129

8.2.5 测试模型130

8.3 小结132

第二篇识别类项目实战134

第9章MNIST手写数字识别134

9.1MNIST数据集134

9.1.1 简介134

9.1.2 数据下载135

9.1.3 可视化数据136

9.2基于多层感知器的TensorFlow实现MNIST识别138

9.2.1 参数准备138

9.2.2 创建模型138

9.2.3 训练模型139

9.2.4 模型预测140

9.3基于多层感知器的Keras实现MNIST识别141

9.3.1 数据准备141

9.3.2 创建模型142

9.3.3 训练模型143

9.3.4 模型预测144

9.3.5 单个图像预测144

9.4基于卷积神经网络的TensorFlow实现MNIST识别144

9.4.1 参数准备145

9.4.2 创建模型145

9.4.3 训练模型146

9.4.4 模型预测147

9.5基于卷积神经网络的Keras实现MNIST识别148

9.5.1 数据准备148

9.5.2 创建模型149

9.5.3 训练模型150

9.5.4 模型预测150

9.5.5 单个图像预测151

9.6 小结151

第10章狗的品种识别152

10.1数据准备152

10.1.1 环境准备153

10.1.2 数据可视化153

10.1.3 预处理数据159

10.2基于Keras的卷积神经网络模型预测160

10.2.1 创建模型160

10.2.2 训练模型162

10.2.3 模型评估162

10.3基于Keras的InceptionV3预训练模型实现预测163

10.3.1 模型函数声明163

10.3.2 预测单张图片164

10.4基于TFHUB的Keras的迁移学习实现预测166

10.4.1 数据集下载和准备166

10.4.2 预训练模型下载167

10.4.3 创建模型168

10.4.4 训练模型169

10.4.5 测试模型171

10.4.6 模型预测单张图片173

10.5 小结175

第11章人脸识别176

11.1数据准备176

11.1.1 环境准备177

11.1.2 数据下载和分析177

11.1.3 人脸图片数据预览178

11.2基于FaceNet的人脸对齐和验证181

11.2.1 下载和对齐图片181

11.2.2 在LFW上验证182

11.3训练自己的人脸识别模型183

11.3.1 图片数据准备和对齐183

11.3.2 训练模型184

11.3.3 验证模型184

11.3.4 再训练模型185

11.3.5 再评估模型187

11.3.6 将模型Checkpoints文件转换成pb文件188

11.4基于FaceRecognition的人脸识别188

11.4.1 配置环境189

11.4.2 人脸检测189

11.4.3 实时人脸识别190

11.5 小结193

第12章人脸面部表情识别194

12.1基于Keras的卷积神经网络实现人脸面部表情识别194

12.1.1 环境准备194

12.1.2 数据准备195

12.1.3 数据集分割196

12.1.4 数据集预处理196

12.1.5 构建CNN模型197

12.1.6 图片增强与训练模型199

12.1.7 评估模型200

12.1.8 保存与读取模型201

12.1.9 单张图片测试模型202

12.2视频中的人脸面部表情识别205

12.2.1 读取模型206

12.2.2 模型参数定义206

12.2.3 视频的帧处理函数定义206

12.2.4 识别与转换视频207

12.3实时人脸面部表情识别208

12.3.1 模型参数定义208

12.3.2 启动摄像头和识别处理209

12.4 小结210

第13章人体姿态识别211

13.1基于TensorFlow实现人体姿态识别211

13.1.1 环境准备211

13.1.2 下载与安装212

13.1.3 单张图片识别212

13.1.4 视频中的人体姿态识别215

13.1.5 实时摄像识别217

13.2基于Keras实现人体姿态识别218

13.2.1 环境准备219

13.2.2 下载仓库219

13.2.3 单张图片识别219

13.2.4 视频中的人体姿态识别220

13.2.5 实时摄像识别221

13.3 小结221

第14章皮肤癌分类222

14.1数据准备222

14.1.1 环境准备223

14.1.2 数据下载223

14.1.3 数据可视化224

14.2基于Keras的卷积神经网络实现分类226

14.2.1 数据预处理226

14.2.2 创建CNN模型227

14.2.3 编译模型229

14.2.4 训练模型229

14.2.5 评估模型和图像测试230

14.3基于TensorFlow的迁移学习实现分类232

14.3.1 数据准备232

14.3.2 训练模型232

14.3.3 验证模型233

14.3.4 Tensorboard可视化233

14.4 小结234

第15章对象检测235

15.1对象检测的应用领域236

15.1.1 无人机应用领域236

15.1.2 自动驾驶汽车应用领域236

15.1.3 无人超市应用领域236

15.2原理分析236

15.2.1 R-CNN的介绍与分析237

15.2.2 Faster R-CNN的介绍与分析237

15.2.3 Mask R-CNN的介绍与分析238

15.3基于Mask R-CNN Inception COCO的图片对象检测239

15.3.1 环境准备239

15.3.2 导入Packages240

15.3.3 下载Mask R-CNN Inception2018预训练模型242

15.3.4 加载模型到内存中242

15.3.5 加载类别映射242

15.3.6 定义函数将图片转为NumPy数组243

15.3.7 定义图片对象检测函数243

15.3.8 检测图片中的对象244

15.3.9 效果预览245

15.4基于Faster R-CNN Inception COCO的视频实时对象检测246

15.4.1 环境准备246

15.4.2 导入Packages246

15.4.3 下载Faster R-CNN Inception2018预训练模型247

15.4.4 加载模型到内存中247

15.4.5 加载类别映射247

15.4.6 定义视频中的图像对象检测函数248

15.4.7 定义视频中的图像处理函数249

15.4.8 视频中的图像对象检测249

15.4.9 效果预览250

15.5基于SSD MobileNet COCO的实时对象检测250

15.5.1 环境准备250

15.5.2 导入Packages250

15.5.3 下载SSD MobileNet 2018预训练模型251

15.5.4 加载模型251

15.5.5 加载类别映射252

15.5.6 开启实时对象检测252

15.5.7 效果预览253

15.6 小结254

第三篇生成类项目实战256

第16章看图写话256

16.1数据准备256

16.1.1 环境准备257

16.1.2 数据下载257

16.1.3 数据预处理258

16.2基于TensorFlow的Show and Tell实现看图写话264

16.2.1 介绍265

16.2.2 数据统计265

16.2.3 构建TFRecords格式数据266

16.2.4 训练模型268

16.2.5 评估模型268

16.2.6 测试模型269

16.3 小结270

第17章生成电视剧剧本271

17.1数据准备271

17.1.1 环境准备271

17.1.2 数据预处理272

17.1.3 数据可视化分析274

17.2基于TensorFlow的循环神经网络实现电视剧剧本生成277

17.2.1 创建检查表278

17.2.2 数据token化预处理278

17.2.3 创建Tensor占位符和学习率279

17.2.4 初始化RNN Cell279

17.2.5 创建Embedding280

17.2.6 创建神经网络280

17.2.7 创建超参数和优化器280

17.2.8 训练神经网络模型281

17.2.9 生成电视剧剧本283

17.3基于textgenrnn来实现电视剧剧本生成285

17.3.1 介绍285

17.3.2 训练模型285

17.3.3 生成剧本文本286

17.4 小结286

第18章风格迁移287

18.1基于TensorFlow实现神经风格迁移287

18.1.1 环境准备287

18.1.2 图像预览287

18.1.3 处理图像289

18.1.4 模型获取289

18.1.5 损失函数计算290

18.1.6 训练模型与图像生成292

18.2基于Keras实现神经风格迁移295

18.2.1 图像预览295

18.2.2 图像处理296

18.2.3 获取模型297

18.2.4 损失函数计算298

18.2.5 迭代与生成风格图像298

18.3 小结300

第19章生成人脸301

19.1基于TensorFlow的GAN实现MNIST数字图像生成301

19.1.1 环境准备302

19.1.2 MNIST数字图像数据准备302

19.1.3 随机查看25张图片303

19.1.4 构建模型输入304

19.1.5 构建鉴别器305

19.1.6 构建生成器306

19.1.7 计算模型损失307

19.1.8 构建优化器307

19.1.9 构建训练模型时的图像输出308

19.1.10 构建训练模型函数309

19.1.11 训练MNIST数据集的GAN模型310

19.2基于TensorFlow的GAN实现LFW人脸图像生成313

19.2.1 人脸图像数据准备314

19.2.2 训练LFW数据集的GAN模型314

19.3 小结315

第20章图像超分辨率316

20.1效果预览与数据准备316

20.1.1 效果预览316

20.1.2 环境准备317

20.1.3 数据准备317

20.2基于TensorFlow的DCGAN实现超分辨率318

20.2.1 下载srez代码库318

20.2.2 训练模型根据模糊图像生成清晰图像318

20.2.3 输出效果预览320

20.2.4 生成效果图视频321

20.2.5 图片放大高清化321

20.3srez库的代码分析322

20.3.1 主入口函数代码分析322

20.3.2 创建模型代码分析323

20.3.3 训练模型代码分析323

20.4 小结324

第21章移花接木325

21.1基本信息325

21.1.1 3种模型效果预览325

21.1.2 环境准备326

21.1.3 图片数据集准备326

21.1.4 CycleGAN网络模型架构327

21.2基于CycleGAN根据苹果生成橘子327

21.2.1 下载代码库327

21.2.2 图片数据处理328

21.2.3 训练模型328

21.2.4 导出模型329

21.2.5 测试图片330

21.3基于CycleGAN根据马生成斑马332

21.3.1 图片数据处理332

21.3.2 训练模型332

21.3.3 导出模型333

21.3.4 测试图片334

21.4男性和女性的人脸面貌互换335

21.4.1 环境准备335

21.4.2 计算和生成模型336

21.4.3 代码分析337

21.5 小结338