趋近智
Keras深度学习要领
章节 1: 深度学习知识概览
什么是深度学习？
人工神经元与网络结构
神经网络的监督学习
Keras 简介
配置Keras环境
动手实践：环境验证
章节 2: 使用 Keras 构建神经网络
顺序式API
常见层类型：全连接层
激活函数
指定输入形状
函数式API
模型概览与可视化
实践：使用 Keras 构建你的第一个网络
章节 3: 训练深度神经网络
编译步骤
理解损失函数
优化算法
反向传播
训练循环：
fit() 方法批次与周期
验证数据与性能监控
模型评估：evaluate() 方法
动手实践：训练一个简单分类器
章节 4: 卷积神经网络 (CNN)
卷积网络简介
卷积层 (Conv2D)
池化层 (MaxPooling2D)
构建一个简单的CNN架构
CNN中的展平层和全连接层
在Keras中处理图像数据
了解特征图
实践：构建图像分类CNN
章节 5: 循环神经网络 (RNN)
序列数据概述
循环神经网络要点
Keras中的SimpleRNN层
梯度消失问题
长短期记忆（LSTM）网络
Keras中的LSTM层
门控循环单元 (GRU)
用于RNN的序列数据准备
实践：构建RNN/LSTM用于文本分类
章节 6: 改进模型表现和工作流程
理解过拟合和欠拟合
正则化方法：L1、L2、Dropout
数据增强
使用回调
保存和加载模型
TensorBoard 简介
超参数调优概念
动手实践：应用改进技术
在Keras中处理图像数据
这部分内容有帮助吗？
- Keras documentation: Working with images, Keras team, 2024 (TensorFlow) - Keras官方指南，涵盖Keras中高效的图像数据加载、预处理和数据增强技术，包括
image_dataset_from_directory和预处理层。 - Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 深度学习的开创性教材，为卷积神经网络、数据预处理和数据增强等正则化技术提供了详细的理论基础。
- Deep Learning with Python, François Chollet, 2021 (Manning Publications) - 使用Keras构建深度学习模型的实践指南，涵盖图像分类、数据加载、预处理和数据增强，并提供具体示例。