Python深度学习这本书，是由人民邮电出版社在2018-08-01月出版的，本书著作者是 [美] 弗朗索瓦·肖莱（Francois Chollet） 著，此次本版是第1次印刷发行， 国际标准书号(ISBN)：9787115488763，品牌为人民邮电出版社, 这本书的包装是16开平装，所用纸张为胶版纸，全书共有未知页字数万字， 是一本非常不错的Python编程书籍。

此书内容摘要

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。

关于此书作者

弗朗索瓦·肖莱（Franc.ois Chollet），
Keras之父，TensorFlow机器学习框架贡献者，Kaggle竞赛教练，个人Kaggle竞赛全球排名曾获得第 17名。目前任职于Google，从事人工智能研究，尤其关注计算机视觉与机器学习在形式推理方面的应用。

译者：张亮（hysic），
毕业于北京大学物理学院，爱好机器学习和数据分析的核安全工程师，译有《Python数据处理》《Python机器学习基础教程》等。

编辑们的推荐

适读人群 ：大数据及机器学习领域对深度学习感兴趣的各类读者。
《Python深度学习》由Keras之父、现任Google人工智能研究员的Franc.ois Chollet执笔，详尽展示了用Python、Keras、TensorFlow进行深度学习的探索实践，涉及计算机视觉、自然语言处理、生成式模型等应用。在学习完本书后，读者将了解深度学习、机器学习和神经网络的关键概念，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，学会解决现实世界中的深度学习问题。除此之外，本书还深刻剖析了当前的”人工智能热”，从理性的视角展望了深度学习在未来的可能性。
● 30多个代码示例，带你全面掌握如何用深度学习解决实际问题
● Keras框架速成的明智之选
● 夯实深度学习基础，在实践中培养对深度神经网络的良好直觉
● 无须机器学习经验和高等数学背景
“本书在当前的’人工智能热’和深度学习的本来面目之间架起了一座桥梁。”–Peter Rabinovitch，云平台Akamai高级性能工程师
“本书是助你进阶为Keras及深度学习高手的秘笈。”–Claudio Rodriguez，IT服务公司Candid Partners高级DevOps工程师
“本书是我为华盛顿大学设计的一门深度学习课程所选的教材，非常实用。能够直接得到Keras之父的建议真是一桩幸事。”–美亚用户Eric Nichols

Python深度学习图书的目录

第 一部分深度学习基础
第1章 什么是深度学习2
1.1人工智能、机器学习与深度学习2
1.1.1人工智能3
1.1.2机器学习3
1.1.3从数据中学习表示4
1.1.4深度学习之“深度”6
1.1.5用三张图理解深度学习的工作原理7
1.1.6深度学习已经取得的进展9
1.1.7不要相信短期炒作9
1.1.8人工智能的未来10
1.2深度学习之前：机器学习简史11
1.2.1概率建模11
1.2.2早期神经网络11
1.2.3核方法12
1.2.4决策树、随机森林与梯度提升机13
1.2.5回到神经网络14
1.2.6深度学习有何不同14
1.2.7机器学习现状15
1.3为什么是深度学习，为什么是现在15
1.3.1硬件16
1.3.2数据17
1.3.3算法17
1.3.4新的投资热潮17
1.3.5深度学习的大众化18
1.3.6这种趋势会持续吗18
第2章 神经网络的数学基础20
2.1初识神经网络20
2.2神经网络的数据表示23
2.2.1标量（0D张量）23
2.2.2向量（1D张量）24
2.2.3矩阵（2D张量）24
2.2.43D张量与更高维张量24
2.2.5关键属性25
2.2.6在Numpy中操作张量26
2.2.7数据批量的概念27
2.2.8现实世界中的数据张量27
2.2.9向量数据27
2.2.10时间序列数据或序列数据28
2.2.11图像数据28
2.2.12视频数据29
2.3神经网络的“齿轮”：张量运算29
2.3.1逐元素运算30
2.3.2广播31
2.3.3张量点积32
2.3.4张量变形34
2.3.5张量运算的几何解释34
2.3.6深度学习的几何解释35
2.4神经网络的“引擎”：基于梯度的优化36
2.4.1什么是导数37
2.4.2张量运算的导数：梯度38
2.4.3随机梯度下降38
2.4.4链式求导：反向传播算法41
2.5回顾第 一个例子41
本章小结42
第3章神经网络入门43
3.1神经网络剖析43
3.1.1层：深度学习的基础组件44
3.1.2模型：层构成的网络45
3.1.3损失函数与优化器：配置学习过程的关键45
3.2Keras简介46
3.2.1Keras、TensorFlow、Theano 和CNTK47
3.2.2使用Keras 开发：概述48
3.3建立深度学习工作站49
3.3.1Jupyter笔记本：运行深度学习实验的首选方法49
3.3.2运行Keras：两种选择50
3.3.3在云端运行深度学习任务：优点和缺点50
3.3.4深度学习的最佳GPU50
3.4电影评论分类：二分类问题51
3.4.1IMDB 数据集51
3.4.2准备数据52
3.4.3构建网络52
3.4.4验证你的方法56
3.4.5使用训练好的网络在新数据上生成预测结果59
3.4.6进一步的实验59
3.4.7小结59
3.5新闻分类：多分类问题59
3.5.1路透社数据集60
3.5.2准备数据61
3.5.3构建网络61
3.5.4验证你的方法62
3.5.5在新数据上生成预测结果65
3.5.6处理标签和损失的另一种方法65
3.5.7中间层维度足够大的重要性65
3.5.8进一步的实验66
3.5.9小结66
3.6预测房价：回归问题66
3.6.1波士顿房价数据集67
3.6.2准备数据67
3.6.3构建网络68
3.6.4利用K折验证来验证你的方法68
3.6.5小结72
本章小结73
第4章机器学习基础74
4.1机器学习的四个分支74
4.1.1监督学习74
4.1.2无监督学习75
4.1.3自监督学习75
4.1.4强化学习75
4.2评估机器学习模型76
4.2.1训练集、验证集和测试集77
4.2.2评估模型的注意事项80
4.3数据预处理、特征工程和特征学习80
4.3.1神经网络的数据预处理80
4.3.2特征工程81
4.4过拟合与欠拟合83
4.4.1减小网络大小83
4.4.2添加权重正则化85
4.4.3添加dropout正则化87
4.5机器学习的通用工作流程89
4.5.1定义问题，收集数据集89
4.5.2选择衡量成功的指标89
4.5.3确定评估方法90
4.5.4准备数据90
4.5.5开发比基准更好的模型90
4.5.6扩大模型规模：开发过拟合的模型91
4.5.7模型正则化与调节超参数92
本章小结92
第二部分深度学习实践
第5章深度学习用于计算机视觉94
5.1卷积神经网络简介94
5.1.1卷积运算96
5.1.2最大池化运算101
5.2在小型数据集上从头开始训练一个卷积神经网络102
5.2.1深度学习与小数据问题的相关性103
5.2.2下载数据103
5.2.3构建网络106
5.2.4数据预处理107
5.2.5使用数据增强111
5.3使用预训练的卷积神经网络115
5.3.1特征提取116
5.3.2微调模型124
5.3.3小结130
5.4卷积神经网络的可视化130
5.4.1可视化中间激活131
5.4.2可视化卷积神经网络的过滤器136
5.4.3可视化类激活的热力图142
本章小结146
第6章深度学习用于文本和序列147
6.1处理文本数据147
6.1.1单词和字符的one-hot编码149
6.1.2使用词嵌入151
6.1.3整合在一起：从原始文本到词嵌入155
6.1.4小结162
6.2理解循环神经网络162
6.2.1Keras中的循环层164
6.2.2理解LSTM层和GRU层168
6.2.3Keras中一个LSTM的具体例子170
6.2.4小结172
6.3循环神经网络的高级用法172
6.3.1温度预测问题172
6.3.2准备数据175
6.3.3一种基于常识的、非机器学习的基准方法177
6.3.4一种基本的机器学习方法178
6.3.5第 一个循环网络基准180
6.3.6使用循环dropout来降低过拟合181
6.3.7循环层堆叠182
6.3.8使用双向RNN184
6.3.9更多尝试187
6.3.10小结187
6.4用卷积神经网络处理序列188
6.4.1理解序列数据的一维卷积188
6.4.2序列数据的一维池化189
6.4.3实现一维卷积神经网络189
6.4.4结合CNN和RNN来处理长序列191
6.4.5小结195
本章总结195
第7章高级的深度学习最佳实践196
7.1不用Sequential模型的解决方案：Keras 函数式API196
7.1.1函数式API简介199
7.1.2多输入模型200
7.1.3多输出模型202
7.1.4层组成的有向无环图204
7.1.5共享层权重208
7.1.6将模型作为层208
7.1.7小结209
7.2使用Keras回调函数和TensorBoard来检查并监控深度学习模型210
7.2.1训练过程中将回调函数作用于模型210
7.2.2TensorBoard简介：TensorFlow的可视化框架212
7.2.3小结219
7.3让模型性能发挥到极致219
7.3.1高级架构模式219
7.3.2超参数优化222
7.3.3模型集成223
7.3.4小结224
本章总结225
第8章生成式深度学习226
8.1使用LSTM生成文本227
8.1.1生成式循环网络简史227
8.1.2如何生成序列数据228
8.1.3采样策略的重要性229
8.1.4实现字符级的LSTM文本生成230
8.1.5小结234
8.2DeepDream235
8.2.1用Keras实现DeepDream236
8.2.2小结241
8.3神经风格迁移241
8.3.1内容损失242
8.3.2风格损失243
8.3.3用Keras实现神经风格迁移243
8.3.4小结249
8.4用变分自编码器生成图像249
8.4.1从图像的潜在空间中采样249
8.4.2图像编辑的概念向量250
8.4.3变分自编码器251
8.4.4小结256
8.5生成式对抗网络简介257
8.5.1GAN 的简要实现流程258
8.5.2大量技巧259
8.5.3生成器260
8.5.4判别器261
8.5.5对抗网络261
8.5.6如何训练DCGAN262
8.5.7小结264
本章总结264
第9章总结265
9.1重点内容回顾265
9.1.1人工智能的各种方法265
9.1.2深度学习在机器学习领域中的特殊之处266
9.1.3如何看待深度学习266
9.1.4关键的推动技术267
9.1.5机器学习的通用工作流程268
9.1.6关键网络架构268
9.1.7可能性空间272
9.2深度学习的局限性273
9.2.1将机器学习模型拟人化的风险273
9.2.2局部泛化与极端泛化275
9.2.3小结276
9.3深度学习的未来277
9.3.1模型即程序277
9.3.2超越反向传播和可微层278
9.3.3自动化机器学习279
9.3.4终身学习与模块化子程序复用279
9.3.5长期愿景281
9.4了解一个快速发展领域的最新进展281
9.4.1使用Kaggle练习解决现实世界的问题281
9.4.2在arXiv阅读最新进展282
9.4.3探索Keras生态系统282
9.5结束语282
附录A在Ubuntu上安装Keras及其依赖283
附录B在EC2 GPU实例上运行Jupyter笔记本287

部分内容试读

暂无.

关于此书评价

暂无.

书摘内容

暂无.

Python深度学习最新最全的试读、书评、目录、简介信息由Python中文网整理提供。