Deep_Learning_Keras_WithDeeplizard

• 主要来自Deeplizard的Keras - Python Deep Learning Neural Network API，更多详情可以去对应官网查看~
• 是Deeplizard的中文+Colab版

1.Keras With TensorFlow Prerequisites - Getting Started With Neural Networks

• 介绍Keras与TensorFlow的关系

2.TensorFlow And Keras GPU Support - CUDA GPU Setup

• Linux、Windows如何配置GPU(这里建议自行百度、Google比较好)
• 验证TensorFlow是否检测到GPU

3.Keras With TensorFlow - Data Processing For Neural Network Training

• fit()期望输入的数据类型
• 自己构建一个小规模的数值数据
• 数据处理
  • 特征缩放
  • reshape!

4.Create An Artificial Neural Network With TensorFlow's Keras API

• 构建一个Sequential模型

5.Train An Artificial Neural Network With TensorFlow's Keras API

• 编译并且训练神经网络模型
  • 理解compile中的loss的binary_crossentropy和categorical_crossentropy的关系
  • 理解epoch=1
    • 所有训练数据都要经过了一次神经网络模型的训练
  • 理解batch_size=10
    • 以每次10张图片为一批进入神经网络模型进行训练
  • 所以一个epoch要training set size / batch_size个批次完成一个所有数据的训练

6.Build A Validation Set With TensorFlow's Keras API

• 理解验证集
• 使用验证集
  • 传入验证集
    • validation_data=valid_set
  • 分割训练集
    • validation_split=0.1
• 查看验证精度
  • verbose=2

7.Neural Network Predictions With TensorFlow's Keras API

• 什么是预测(推理)
• 构建验证集
• 进行预测
  • predictions = model.predict(x=scaled_test_samples,batch_size = 10,verbose=0)
• 查看预测结果
  • for i in predictions:...

8.Create A Confusion Matrix For Neural Network Predictions

• 如何评估预测结果
• 混淆矩阵(Confusion Matrix)
  • 理解
  • 绘制

9.Save And Load A Model With TensorFlow's Keras API

• 全面保存和加载模型
  • model.save(filepath)
  • load_model(filepath)
• 只保存和加载模型架构
  • json_string=model.to_json() or to_yaml()...
  • model_from_json(json_string)
• 只保存和加载模型权重
  • model.save_weights(filepath)
  • model2.load_weights(filepath)

10.Image Preparation For A Convolutional Neural Network With TensorFlow's Keras API

• 为接下来训练识别猫狗的CNN做数据准备
• 组织数据
• 数据处理
  • 使用Keras的ImageDataGenerator()来创建一批数据
• 可视化数据

11.Code Update For CNN Training With TensorFlow's Keras API

• TensorFlow中的steps_per_epoch，validation_steps参数问题

12.Build And Train A Convolutional Neural Network With TensorFlow's Keras API

• 建立、编译、训练识别猫狗的CNN

13.Convolutional Neural Network Predictions With TensorFlow's Keras API

• 看看过拟合下的测试集的结果
  • 使用predictions=model.predict(x,steps,verbose)
• 使用混淆矩阵来观察测试集预测结果

14.Build A Fine-Tuned Neural Network With TensorFlow's Keras API

• 导入VGG16模型
• 微调VGG16模型
  • 将VGG16模型的层添加到新模型中
  • 并且冻结一些层的权重
  • 给模型添加一些新层

15.Train A Fine-Tuned Neural Network With TensorFlow's Keras API

• 根据14节中微调VGG16后的新模型，喂入数据，进行训练

16.Predict With A Fine-Tuned Neural Network With TensorFlow's Keras API

• 根据14节中微调VGG16后的新模型，喂入测试集，查看预测效果
• 绘制混淆矩阵来观察测试集预测结果

17.MobileNet Image Classification With TensorFlow's Keras API

• 导入MobileNet模型
• 使用MobileNet模型进行预测
• 采用随机的样本图像
• 查看预测结果
  • from tensorflow.keras.applications import imagenet_utils
  • results = imagenet_utils.decode_predictions(predictions)

18.Process Images For Fine-Tuned MobileNet With TensorFlow's Keras API

• 为接下来训练识别手势识别的微调MobileNet做数据准备
• 组织数据
• 数据处理
  • 使用Keras的ImageDataGenerator()来创建一批数据
• 可视化数据

19.Fine-Tuning MobileNet On A Custom Data Set With TensorFlow's Keras API

• 导入MobileNet模型
• 微调MobileNet模型
  • 挑选合适的MobileNet模型的层，并添加到新模型中(采用与之前微调VGG16不一样的方式)
  • 并且冻结一些层的权重
  • 给模型添加一些新层(输出层)
• 编译、训练新模型
• 使用混淆矩阵来观察预测结果(不再是二分类，而是多分类了！)

20.Data Augmentation With TensorFlow's Keras API

• 数据扩增
• 如：水平，垂直翻转，旋转，放大，缩小，裁切等操作
• 为什么要数据扩增
• 使训练集变大，减少过拟合
• 使用Keras进行数据扩增
• gen = ImageDataGenerator(...)
• aug_iter = gen.flow(image)
• 保存数据扩增后的数据
• aug_iter = gen.flow(image,save_to_dir='./Dog',save_prefix='aug-image-',save_format='jpeg')

21.Mapping Keras Labels To Image Classes

• 使用Keras ImageDataGenerator时，如何查看Keras分配给相应图像的类的id或标签
• 在ImageDataGenerator上访问一个名为class_indices的属性，它将返回包含从类名到类索引映射的字典。
• 表明对应的类别在one-hot编码上的第几个位置
• 如： {'cat': 1, 'dog': 0} 表示：10：狗,01：猫

22. Reproducible Results With Keras

• 如何使用Keras通过人工神经网络获得可重复的结果。
• 也即去除训练过程中发生的随机性
• 设置随机种子

23. Initializing And Accessing Bias In Keras

• 如何用Keras代码初始化和访问神经网络中的偏差。
• 参数：use_bias
• 参数：bias_initializer

24.Trainable Parameters In A Keras Model

• 如何快速访问和计算Keras模型中可学习参数的数量。
• model.summary()

25.Trainable Parameters In A Keras Convolutional Neural Network

• 如何使用Keras代码快速访问和计算卷积神经网络中可学习参数的数量
• 是否带零填充
• 是否带最大池化
• 这些都很影响神经网络中的可训练参数的数量