月度归档： 2019 年 5 月

8.3　神经风格迁移
8.3.1　内容损失
8.3.2　风格损失
8.3.3　用 Keras实现神经风格迁移

8.2　DeepDream
8.2.1　用 Keras实现 DeepDream

8.1　使用 LSTM生成文本
8.1.1　生成式循环网络简史
8.1.2　如何生成序列数据
8.1.3　采样策略的重要性
8.1.4　实现字符级的 LSTM文本

7.3　让模型性能发挥到极致
7.3.1　高级架构模式
7.3.2　超参数优化
7.3.3　模型集成

7.2　使用 Keras回调函数和TensorBoard来检查并监控深度学习模型
7.2.1　训练过程中将回调函数作用于
7.2.2　TensorBoard简介：TensorFlow

7.1　不用Sequential模型的解决方案：Keras函数式 API
7.1.1　函数式 API简介
7.1.2　多输入模型
7.1.3　多输出模型
7.1.4　层组成的有向无环图
7.1.5　共享层权重
7.1.6　将模型作为层

6.4　用卷积神经网络处理序列
6.4.1　理解序列数据的一维卷积
6.4.2　序列数据的一维池化
6.4.3　实现一维卷积神经网络
6.4.4　结合 CNN和 RNN来处理长序列

6.3　循环神经网络的高级用法
6.3.1　温度预测问题.
6.3.2　准备数据
6.3.3　一种基于常识的、非机器学习的基准方法
6.3.4　一种基本的机器学习方法
6.3.5　第一个循环网络基准
6.3.6　使用循环 dropout来降低过
6.3.7　循环层堆叠
6.3.8　使用双向RNN

6.2　理解循环神经网络
6.2.1　Keras中的循环层
6.2.2　理解 LSTM层和 GRU层
6.2.3　Keras中一个LSTM的具体例子