本书基于使用Python语言的TensorFlow深度学习框架进行讲解，帮助你快速入门。
电子书
编辑推荐
Keras之父、谷歌人工智能研究员弗朗索瓦·肖莱执笔，深度学习领域力作。
内容简介
本书由Keras之父、现任Google人工智能研究员的弗朗索瓦?肖莱（Franc?ois Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，包括计算机视觉、自然语言处理、产生式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化，读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。
章节目录
- 扉页
- 版权
- 版 权 声 明
- 前 言
- 致 谢
- 关于本书
- 关于封面
- 目 录
- 第一部分 深度学习基础
- 第1章 什么是深度学习
- 1.1 人工智能、机器学习与深度学习
- 1.1.1 人工智能
- 1.1.2 机器学习
- 1.1.3 从数据中学习表示
- 1.1.4 深度学习之“深度”
- 1.1.5 用三张图理解深度学习的工作原理
- 1.1.6 深度学习已经取得的进展
- 1.1.7 不要相信短期炒作
- 1.1.8 人工智能的未来
- 1.2 深度学习之前：机器学习简史
- 1.2.1 概率建模
- 1.2.2 早期神经网络
- 1.2.3 核方法
- 1.2.4 决策树、随机森林与梯度提升机
- 1.2.5 回到神经网络
- 1.2.6 深度学习有何不同
- 1.2.7 机器学习现状
- 1.3 为什么是深度学习，为什么是现在
- 1.3.1 硬件
- 1.3.2 数据
- 1.3.3 算法
- 1.3.4 新的投资热潮
- 1.3.5 深度学习的大众化
- 1.3.6 这种趋势会持续吗
- 第2章 神经网络的数学基础
- 2.1 初识神经网络
- 2.2 神经网络的数据表示
- 2.2.1 标量（0D张量）
- 2.2.2 向量（1D张量）
- 2.2.3 矩阵（2D张量）
- 2.2.4 3D张量与更高维张量
- 2.2.5 关键属性
- 2.2.6 在Numpy中操作张量
- 2.2.7 数据批量的概念
- 2.2.8 现实世界中的数据张量
- 2.2.9 向量数据
- 2.2.10 时间序列数据或序列数据
- 2.2.11 图像数据
- 2.2.12 视频数据
- 2.3 神经网络的“齿轮”：张量运算
- 2.3.1 逐元素运算
- 2.3.2 广播
- 2.3.3 张量点积
- 2.3.4 张量变形
- 2.3.5 张量运算的几何解释
- 2.3.6 深度学习的几何解释
- 2.4 神经网络的“引擎”：基于梯度的优化
- 2.4.1 什么是导数
- 2.4.2 张量运算的导数：梯度
- 2.4.3 随机梯度下降
- 2.4.4 链式求导：反向传播算法
- 2.5 回顾第一个例子
- 本章小结
- 第3章 神经网络入门
- 3.1 神经网络剖析
- 3.1.1 层：深度学习的基础组件
- 3.1.2 模型：层构成的网络
- 3.1.3 损失函数与优化器：配置学习过程的关键
- 3.2 Keras简介
- 3.2.1 Keras、TensorFlow、Theano和CNTK
- 3.2.2 使用Keras开发：概述
- 3.3 建立深度学习工作站
- 3.3.1 Jupyter笔记本：运行深度学习实验的首选方法
- 3.3.2 运行Keras：两种选择
- 3.3.3 在云端运行深度学习任务：优点和缺点
- 3.3.4 深度学习的最佳GPU
- 3.4 电影评论分类：二分类问题
- 3.4.1 IMDB数据集
- 3.4.2 准备数据
- 3.4.3 构建网络
- 3.4.4 验证你的方法
- 3.4.5 使用训练好的网络在新数据上生成预测结果
- 3.4.6 进一步的实验
- 3.4.7 小结
- 3.5 新闻分类：多分类问题
- 3.5.1 路透社数据集
- 3.5.2 准备数据
- 3.5.3 构建网络
- 3.5.4 验证你的方法
- 3.5.5 在新数据上生成预测结果
- 3.5.6 处理标签和损失的另一种方法
- 3.5.7 中间层维度足够大的重要性
- 3.5.8 进一步的实验
- 3.5.9 小结
- 3.6 预测房价：回归问题
- 3.6.1 波士顿房价数据集
- 3.6.2 准备数据
- 3.6.3 构建网络
- 3.6.4 利用K折验证来验证你的方法
- 3.6.5 小结
- 本章小结
- 第4章 机器学习基础
- 4.1 机器学习的四个分支
- 4.1.1 监督学习
- 4.1.2 无监督学习
- 4.1.3 自监督学习
- 4.1.4 强化学习
- 4.2 评估机器学习模型
- 4.2.1 训练集、验证集和测试集
- 4.2.2 评估模型的注意事项
- 4.3 数据预处理、特征工程和特征学习
- 4.3.1 神经网络的数据预处理
- 4.3.2 特征工程
- 4.4 过拟合与欠拟合
- 4.4.1 减小网络大小
- 4.4.2 添加权重正则化
- 4.4.3 添加dropout正则化
- 4.5 机器学习的通用工作流程
- 4.5.1 定义问题，收集数据集
- 4.5.2 选择衡量成功的指标
- 4.5.3 确定评估方法
- 4.5.4 准备数据
- 4.5.5 开发比基准更好的模型
- 4.5.6 扩大模型规模：开发过拟合的模型
- 4.5.7 模型正则化与调节超参数
- 本章小结
- 第二部分 深度学习实践
- 第5章 深度学习用于计算机视觉
- 5.1 卷积神经网络简介
- 5.1.1 卷积运算
- 5.1.2 最大池化运算
- 5.2 在小型数据集上从头开始训练一个卷积神经网络
- 5.2.1 深度学习与小数据问题的相关性
- 5.2.2 下载数据
- 5.2.3 构建网络
- 5.2.4 数据预处理
- 5.2.5 使用数据增强
- 5.3 使用预训练的卷积神经网络
- 5.3.1 特征提取
- 5.3.2 微调模型
- 5.3.3 小结
- 5.4 卷积神经网络的可视化
- 5.4.1 可视化中间激活
- 5.4.2 可视化卷积神经网络的过滤器
- 5.4.3 可视化类激活的热力图
- 本章小结
- 第6章 深度学习用于文本和序列
- 6.1 处理文本数据
- 6.1.1 单词和字符的one-hot编码
- 6.1.2 使用词嵌入
- 6.1.3 整合在一起：从原始文本到词嵌入
- 6.1.4 小结
- 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
- 6.2.4 小结
- 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来降低过拟合
- 6.3.7 循环层堆叠
- 6.3.8 使用双向RNN
- 6.3.9 更多尝试
- 6.3.10 小结
- 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
- 6.4.5 小结
- 本章总结
- 第7章 高级的深度学习最佳实践
- 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
- 7.1.7 小结
- 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模型
- 7.2.2 TensorBoard简介：TensorFlow的可视化框架
- 7.2.3 小结
- 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
- 7.3.4 小结
- 本章总结
- 第8章 生成式深度学习
- 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文本生成
- 8.1.5 小结
- 8.2 DeepDream
- 8.2.1 用Keras实现DeepDream
- 8.2.2 小结
- 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
- 8.3.4 小结
- 8.4 用变分自编码器生成图像
- 8.4.1 从图像的潜在空间中采样
- 8.4.2 图像编辑的概念向量
- 8.4.3 变分自编码器
- 8.4.4 小结
- 8.5 生成式对抗网络简介
- 8.5.1 GAN的简要实现流程
- 8.5.2 大量技巧
- 8.5.3 生成器
- 8.5.4 判别器
- 8.5.5 对抗网络
- 8.5.6 如何训练DCGAN
- 8.5.7 小结
- 本章总结
- 第9章 总结
- 9.1 重点内容回顾
- 9.1.1 人工智能的各种方法
- 9.1.2 深度学习在机器学习领域中的特殊之处
- 9.1.3 如何看待深度学习
- 9.1.4 关键的推动技术
- 9.1.5 机器学习的通用工作流程
- 9.1.6 关键网络架构
- 9.1.7 可能性空间
- 9.2 深度学习的局限性
- 9.2.1 将机器学习模型拟人化的风险
- 9.2.2 局部泛化与极端泛化
- 9.2.3 小结
- 9.3 深度学习的未来
- 9.3.1 模型即程序
- 9.3.2 超越反向传播和可微层
- 9.3.3 自动化机器学习
- 9.3.4 终身学习与模块化子程序复用
- 9.3.5 长期愿景
- 9.4 了解一个快速发展领域的最新进展
- 9.4.1 使用Kaggle练习解决现实世界的问题
- 9.4.2 在arXiv阅读最新进展
- 9.4.3 探索Keras生态系统
- 9.5 结束语
- 附录A 在Ubuntu 上安装Keras及其依赖
- 附录B 在EC2 GPU 实例上运行Jupyter笔记本
展开全部
Python深度学习是2018年由人民邮电出版社出版,作者[美]弗朗索瓦·肖莱。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《Python深度学习》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
本书基于使用Python语言的TensorFlow深度学习框架进行讲解，帮助你快速入门。
电子书
适读人群：本书适合相关专业的在校学生检查和加强对所学知识点的掌握程度，求职者快速复习和补充相关的深度学习知识，以及算法工程师作为工具书随时参阅。此外，非相关专业、但对人工智能或...
电子书
（1）大量图例，简单易懂。作者亲自绘制了大量插图，力求还原深度学习的算法思想，分解和剖析晦涩的算法，用图例来表示复杂的问题。生动的图例也能给读者带来阅读乐趣，快乐地学习算法知识...
电子书
一本书入门计算机视觉，将深度学习理论融入视觉识别案例，搭建理论与实践的桥梁。
电子书
用流行的Python库scikitlearn解决机器学习问题。
电子书
本书从算法理论、算法源码、实验结果等方面对深度学习算法进行分析和介绍。