推荐！《Keras图像深度学习实战》，免费领取

《Keras图像深度学习实战》

Keras是什么？它是一款非常流行的深度学习计算框架，利用keras只要十几行代码就能写出一个简单的神经网络训练模型。

Keras本身并不提供深度学习的计算引擎，实际它是利用TensorFlow或者Theano作为后端计算引擎的，但它封装了众多API接口，使用者只要了解其封装层的特性就能灵活应用于各种应用场景。它绝对是深度学习开发者的编程利器。

Keras有两大最显著的特点：一是编程接口简单，封装了众多TensorFlow和Theano细节；二是可在多种机器学习引擎之间自由切换，目前支持TensorFlow和Theano两种，其作者有意在未来将它扩展到其他引擎。

全书不涉及Keras的各个方面，而是只聚焦在图像处理领域，并结合图像处理的其他函数综合运用到神经网络模型中，通过此书的学习和实战能达到熟练运用神经网络进行常规图像处理的程度。

全书共分成8个章节，第1章是Keras简介和环境搭建；第2～6章整体介绍Keras的软件框架，包含卷积层，池化层，损失函数，优化器等关键部件的使用说明；第7章介绍了常用的图像预处理技术，包括高斯滤波，轮廓检测等常用操作的介绍；第8章是实战篇，介绍Keras神经网络模型中常用的图像模型的设计方法，以及应用于视频领域的入门级介绍。这本书是Keras神经网络中专注于图像识别领域的专业书籍，具有较强的实战性。

这本书的目标人群是具有一定python编程基础，对深度学习原理有一定了解，并且对人工智能图像处理领域有浓厚兴趣的人群。

目录

1.简介

1.1 keras是什么

1.2 一些基本概念

1.2.1 符号计算

1.2.2 张量

1.2.3 data_format

1.2.4 模型

1.2.5 batch

1.2.6 epochs

1.3 安装Python

1.4 安装Theano

1.5 安装opencv

1.6 安装Keras

2.CNN眼中的世界

2.1 卷积神经网络

2.2 使用Keras探索卷积网络的滤波器

2.3 可视化所有的滤波器

2.4 愚弄神经网络

2.5 展望未来

3.Keras模型

3.1 Sequential模型

3.1.1 add

3.1.2 pop

3.1.3 compile

3.1.4 fit

3.1.5 evaluate

3.1.6 predict

3.1.7 predict_classes

3.1.8 train_on_batch

3.1.9 test_on_batch

3.1.10 predict_on_batch

3.1.11 fit_generator

3.1.12 evaluate_generator

3.1.13 predcit_generator

3.2 常用层

3.2.1 Dense层

3.2.2 Activation层

3.2.3 Dropout层

3.2.4 Flatten层

3.2.5 Reshape层

3.2.6 Permute层

3.2.7 RepeatVector层

3.2.8 Lambda层

3.3 卷积层

3.3.1 Conv1D层

3.3.2 Conv2D层

3.4 池化层

3.4.1 MaxPooling1D层

3.4.2 MaxPooling2D层

4.目标函数

4.1 MSE

4.2 MAE

4.3 MAPE

4.4 MSLE

4.5 squared_hinge

4.6 hinge

4.7 binary_crossentropy

4.8 categorical_crossentropy

4.9 sparse_categorical_crossentrop

5.优化器

5.1 公共参数

5.2 SGD

5.3 RMSprop

5.4 Adagrad

5.5 Adadelta

5.6 Adam

5.7 Adamax

5.8 Nadam

6.训练模型的注意事项

6.1 参数初始化

6.1.1 零初始化

6.1.2 随机初始化

6.2 数据预处理（Data Preprocessing）

6.2.1 零均值化（Mean subtraction）

6.2.2 归一化（Normalization）

6.2.3 PCA & Whitening

6.2.4 数据扩充（Data Augmentation）

7.图片预处理

7.1 利用小数据量

7.2 图像处理scipy.ndimage

7.3 热点图

7.4 高斯滤波

7.5 图片翻转

7.6 轮廓检测

7.7 角点

7.8 直方图

7.9 形态学图像处理

7.9.1 膨胀和腐蚀

7.9.2 Hit和Miss

8.CNN实战

8.1 Mnist

8.1.1 代码

8.1.2 导入导出

8.1.3 预测

8.2 Cifar16

8.2.1 代码

8.2.2 分析

8.3 人脸识别

8.4 视频识别

8.5 用神经网络去噪

8.5.1 对图像添加噪音

8.5.2 去噪神经网络

8.5.3 模型的保存和恢复

8.6 视频抽取图片

9.参考

电子版下载

关注公众号X人工智能学院

你可能还想看