使用 Keras 进行深度学习

这是由 Packt 出版的《使用 Keras 进行深度学习》（https://www.packtpub.com/big-data-and-business-intelligence/deep-learning-keras?utm_source=github&utm_medium=repository&utm_campaign=9781787128422）一书的代码仓库。其中包含了从头到尾完成本书所需的所有配套项目文件。

关于本书

本书首先向读者介绍监督学习算法，如简单线性回归、经典多层感知器以及更复杂的深度卷积网络。此外，还将讲解无监督学习算法，包括自编码器、受限玻尔兹曼机和深度信念网络。循环网络与长短期记忆网络（LSTM）也会被详细说明。书中还会探讨图像处理相关内容，例如手写数字图像的识别、将图像分类到不同类别，以及带有相关标注的高级目标识别。同时，还提供了一个用于人脸检测的关键点识别示例。

使用说明与目录结构

所有代码都按文件夹组织。每个文件夹以数字开头，后接应用名称。例如，“Chapter02”。

代码示例如下：

from keras.models import Sequential
model = Sequential()
model.add(Dense(12, input_dim=8, kernel_initializer='random_uniform'))

为了顺利阅读并实践各章节内容，您需要安装以下软件：

• TensorFlow 1.0.0 或更高版本
• Keras 2.0.2 或更高版本
• Matplotlib 1.5.3 或更高版本
• Scikit-learn 0.18.1 或更高版本
• NumPy 1.12.1 或更高版本

硬件要求如下：

• 32 位或 64 位架构
• 2 GHz 以上 CPU
• 4 GB 内存
• 至少 10 GB 的可用硬盘空间

相关产品

• 《使用 TensorFlow 进行深度学习》（https://www.packtpub.com/big-data-and-business-intelligence/deep-learning-tensorflow?utm_source=github&utm_medium=repository&utm_campaign=9781786469786）

• 《Python 深度学习》（https://www.packtpub.com/big-data-and-business-intelligence/python-deep-learning?utm_source=github&utm_medium=repository&utm_campaign=9781786464453）

• 《使用 Hadoop 进行深度学习》（https://www.packtpub.com/big-data-and-business-intelligence/deep-learning-hadoop?utm_source=github&utm_medium=repository&utm_campaign=9781787124769）

建议与反馈

如果您有任何反馈或建议，请点击此处。

免费下载 PDF 版本

如果您已购买本书的纸质版或 Kindle 版，可免费获取无 DRM 限制的 PDF 版本。
只需点击链接即可领取您的免费 PDF。

https://packt.link/free-ebook/9781787128422

Deep Learning with Keras 快速上手指南

本指南基于《Deep Learning with Keras》配套代码库，帮助开发者快速搭建环境并运行示例。

环境准备

在开始之前，请确保您的系统满足以下硬件和软件要求。

硬件要求

• 架构：32 位或 64 位
• CPU：2+ GHz
• 内存：4 GB RAM 或更高
• 硬盘空间：至少 10 GB 可用空间

软件依赖

需安装以下库的指定版本或更高版本：

• TensorFlow >= 1.0.0
• Keras >= 2.0.2
• Matplotlib >= 1.5.3
• Scikit-learn >= 0.18.1
• NumPy >= 1.12.1

提示：国内用户建议使用清华源或阿里源加速安装过程。

安装步骤

推荐使用 pip 进行安装。以下是使用国内镜像源的安装命令：

# 使用清华源安装核心依赖
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow>=1.0.0 keras>=2.0.2 matplotlib>=1.5.3 scikit-learn>=0.18.1 numpy>=1.12.1

如果您需要单独验证安装版本，可运行：

python -c "import tensorflow; import keras; import sklearn; print(f'TF: {tensorflow.__version__}, Keras: {keras.__version__}, SKLearn: {sklearn.__version__}')"

基本使用

本书代码按章节组织在文件夹中（例如 Chapter02）。以下是一个最简单的 Keras 模型构建示例，展示了如何创建一个顺序模型并添加全连接层：

from keras.models import Sequential
model = Sequential()
model.add(Dense(12, input_dim=8, kernel_initializer='random_uniform'))

运行说明：

1. 克隆或下载本仓库代码。
2. 进入对应章节文件夹（如 cd Chapter02）。
3. 执行该章节下的 Python 脚本即可复现书中案例。