💫✨《Python深度学习（第2版）》- 掌握AI未来的钥匙💫✨

今天我要和大家分享一本超级🔥热的书，那就是《Python深度学习（第2版）》。这本书真的是太赞了，所以我决定来给大家种草一下！🌱

首先，让我们来简单了解一下这本书。《Python深度学习（第2版）》是由全球领先的AI专家打造的Python深度学习宝典。这本书不仅涵盖了深度学习的基本概念，还有大量的实用案例和代码示例，让你从零开始就能轻松入手。💫

而且，这本书还有一个超级大的亮点，就是它的学习门槛非常低！即使你是完全没有接触过AI的小伙伴，也能轻松理解。作者用通俗易懂的语言解释了复杂的AI概念，真的是太贴心了！😍

下面让我们来看看这本书的一些核心内容吧！🎉

1️⃣机器学习基础知识：作者首先介绍了机器学习的基本概念和原理，让你了解什么是机器学习以及它是如何工作的。

2️⃣深度学习基础知识：接下来，本书将带你走进深度学习的世界，让你了解什么是深度学习以及它是如何工作的。在这里，你可以学到很多关于神经网络的知识。

3️⃣实战项目：本书还提供了一些实战项目，让你亲自动手实践。这些项目包括图像识别、自然语言处理等，真的是太有趣了！🎉

4️⃣代码实战：最后，本书还提供了完整的代码示例和注释，让你轻松上手。这些代码示例不仅易于理解，而且还能帮助你更好地掌握AI技术。💫

这本书真的是太棒了！不仅内容丰富，而且还有超级多的实用案例和代码示例。如果你想掌握AI未来的钥匙，那么这本书绝对是你不可错过的宝典！🌟

《Python深度学习（第2版）》是一本介绍Python深度学习技术的经典书籍，由Keras之父François Chollet所著，张亮翻译，由人民邮电出版社于2022年10月出版。

这本书是一本非常通俗易懂的深度学习入门书籍，适合初学者和有一定Python基础的读者。作者François Chollet以简洁明了的语言和生动实用的案例，详细介绍了Python深度学习的各个方面，包括神经网络的基本概念、模型的训练和优化、卷积神经网络、循环神经网络、生成对抗网络等。

与第一版相比，第二版增加了许多新的内容，包括对Transformer、自注意力机制、无监督学习等最新深度学习技术的介绍。同时，本书还提供了丰富的拓展知识和练习题，帮助读者巩固所学知识并提高解决问题的能力。

《Python深度学习（第2版）》是一本非常实用的Python深度学习教程。无论你是初学者还是有一定经验的开发者，本书都将成为你学习Python深度学习和提升技能的重要参考书籍。通过阅读本书，你将能够快速掌握Python深度学习的核心技巧和实际应用，提高工作效率和质量。

书籍信息

书名：Python深度学习（第2版）
作者：弗朗索瓦·肖莱
评分：9.9
出版日期：2022-09-01
出版社：人民邮电出版社
ISBN：9787115597175
页数：432
定价：129.8
丛书：

内容简介

* 深度学习名著重磅升级，涵盖Transformer架构等开创性进展
* 流行深度学习框架Keras之父执笔，文字生动、见解深刻
* 不用一个数学公式，利用直觉自然入门深度学习

本书分为两部分。如果你之前没有关于机器学习的经验，我强烈建议你先读完第一部分，然后再阅读第二部分。我们会从简单示例讲起，然后再依次介绍越来越先进的技术。

第一部分是对深度学习的介绍，给出了一些背景和定义，还解释了上手机器学习和神经网络需要掌握的所有概念。

第 1 章介绍人工智能、机器学习和深度学习的重要背景知识。
第 2 章介绍从事深度学习必须了解的基本概念：张量、张量运算、梯度下降和反向传播。这一章还给出了本书第一个可用的神经网络示例。
第 3 章包括上手神经网络所需要了解的全部内容：Keras 简介，它是我们的首选深度学习框架；建立自己的工作站的指南；三个基本代码示例以及详细解释。读完这一章，你将能够训练简单的神经网络来处理分类任务和回归任务，你还将充分了解训练过程背后发生的事情。
第 4 章介绍标准的机器学习工作流程。你还会了解常见的陷阱及其解决方案。

第二部分将深入介绍深度学习在计算机视觉和自然语言处理中的实际应用。这一部分给出了许多示例，对于在现实世界的实践中遇到的深度学习问题，你可以用这些示例作为解决问题的模板。

第 5 章介绍了一系列实用的计算机视觉示例，重点放在图像分类。
第 6 章介绍了处理序列数据（比如文本和时间序列）的实用技术。
第 7 章介绍了构建最先进深度学习模型的高级技术。
第 8 章介绍了生成式模型，即能够创造图像和文本的深度学习模型，它有时会产生令人惊讶的艺术效果。
第 9 章将帮你巩固在本书学到的知识，还会探讨深度学习的局限性及其未来的可能性。

书籍目录

第1章　什么是深度学习 1
1.1　人工智能、机器学习和深度学习 1
1.1.1　人工智能 2
1.1.2　机器学习 2
1.1.3　从数据中学习规则与表示 3
1.1.4　深度学习之“深度” 5
1.1.5　用三张图理解深度学习的工作原理 7
1.1.6　深度学习已取得的进展 8
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 10
1.2.1　概率建模 11
1.2.2　早期神经网络 11
1.2.3　核方法 11
1.2.4　决策树、随机森林和梯度提升机 12
1.2.5　回到神经网络 13
1.2.6　深度学习有何不同 14
1.2.7　机器学习现状 14
1.3　为什么要用深度学习，为什么是现在 16
1.3.1　硬件 17
1.3.2　数据 17
1.3.3　算法 18
1.3.4　新一轮投资热潮 18
1.3.5　深度学习的普及 19
1.3.6　这种趋势会持续下去吗 20
第2章　神经网络的数学基础 21
2.1　初识神经网络 21
2.2　神经网络的数据表示 25
2.2.1　标量（0阶张量） 25
2.2.2　向量（1阶张量） 25
2.2.3　矩阵（2阶张量） 26
2.2.4　3阶张量与更高阶的张量 26
2.2.5　关键属性 26
2.2.6　在NumPy中操作张量 28
2.2.7　数据批量的概念 28
2.2.8　现实世界中的数据张量实例 29
2.2.9　向量数据 29
2.2.10　时间序列数据或序列数据 29
2.2.11　图像数据 30
2.2.12　视频数据 31
2.3　神经网络的“齿轮”：张量运算 31
2.3.1　逐元素运算 32
2.3.2　广播 33
2.3.3　张量积 34
2.3.4　张量变形 36
2.3.5　张量运算的几何解释 37
2.3.6　深度学习的几何解释 40
2.4　神经网络的“引擎”：基于梯度的优化 40
2.4.1　什么是导数 41
2.4.2　张量运算的导数：梯度 42
2.4.3　随机梯度下降 44
2.4.4　链式求导：反向传播算法 46
2.5　回顾第一个例子 51
2.5.1　用TensorFlow 从头开始重新实现第一个例子 52
2.5.2　完成一次训练步骤 54
2.5.3　完整的训练循环 55
2.5.4　评估模型 55
2.6　本章总结 56
第3章　Keras 和TensorFlow 入门 57
3.1　TensorFlow 简介 57
3.2　Keras 简介 58
3.3　Keras 和TensorFlow 简史 59
3.4　建立深度学习工作区 60
3.4.1　Jupyter笔记本：运行深度学习实验的首选方法 60
3.4.2　使用Colaboratory 61
3.5　TensorFlow入门 63
3.5.1　常数张量和变量 64
3.5.2　张量运算：用TensorFlow进行数学运算 66
3.5.3　重温GradientTape API 66
3.5.4　一个端到端的例子：用TensorFlow编写线性分类器 67
3.6　神经网络剖析：了解核心Keras API 71
3.6.1　层：深度学习的基础模块 71
3.6.2　从层到模型 74
3.6.3　编译步骤：配置学习过程 75
3.6.4　选择损失函数 77
3.6.5　理解fit()方法 77
3.6.6　监控验证数据上的损失和指标 78
3.6.7　推断：在训练后使用模型 79
3.7　本章总结 80
第4章　神经网络入门：分类与回归 81
4.1　影评分类：二分类问题示例 82
4.1.1　IMDB 数据集 82
4.1.2　准备数据 83
4.1.3　构建模型 84
4.1.4　验证你的方法 87
4.1.5　利用训练好的模型对新数据进行预测 90
4.1.6　进一步实验 90
4.1.7　小结 90
4.2　新闻分类：多分类问题示例 91
4.2.1　路透社数据集 91
4.2.2　准备数据 92
4.2.3　构建模型 92
4.2.4　验证你的方法 93
4.2.5　对新数据进行预测 96
4.2.6　处理标签和损失的另一种方法 96
4.2.7　拥有足够大的中间层的重要性 96
4.2.8　进一步实验 97
4.2.9　小结 97
4.3　预测房价：标量回归问题示例 97
4.3.1　波士顿房价数据集 98
4.3.2　准备数据 98
4.3.3　构建模型 99
4.3.4　利用K折交叉验证来验证你的方法 99
4.3.5　对新数据进行预测 103
4.3.6　小结 103
4.4　本章总结 104
第5章　机器学习基础 105
5.1　泛化：机器学习的目标 105
5.1.1　欠拟合与过拟合 105
5.1.2　深度学习泛化的本质 110
5.2　评估机器学习模型 115
5.2.1　训练集、验证集和测试集 115
5.2.2　超越基于常识的基准 118
5.2.3　模型评估的注意事项 119
5.3　改进模型拟合 119
5.3.1　调节关键的梯度下降参数 119
5.3.2　利用更好的架构预设 121
5.3.3　提高模型容量 121
5.4　提高泛化能力 123
5.4.1　数据集管理 123
5.4.2　特征工程 124
5.4.3　提前终止 125
5.4.4　模型正则化 125
5.5　本章总结 132
第6章　机器学习的通用工作流程 133
6.1　定义任务 134
6.1.1　定义问题 134
6.1.2　收集数据集 135
6.1.3　理解数据 138
6.1.4　选择衡量成功的指标 139
6.2　开发模型 139
6.2.1　准备数据 139
6.2.2　选择评估方法 140
6.2.3　超越基准 141
6.2.4　扩大模型规模：开发一个过拟合的模型 142
6.2.5　模型正则化与调节超参数 142
6.3　部署模型 143
6.3.1　向利益相关者解释你的工作并设定预期 143
6.3.2　部署推断模型 143
6.3.3　监控模型在真实环境中的性能 146
6.3.4　维护模型 146
6.4　本章总结 147
第7章　深入Keras 148
7.1　Keras 工作流程 148
7.2　构建Keras 模型的不同方法 149
7.2.1　序贯模型 149
7.2.2　函数式API 152
7.2.3　模型子类化 157
7.2.4　混合使用不同的组件 159
7.2.5　用正确的工具完成工作 160
7.3　使用内置的训练循环和评估循环 160
7.3.1　编写自定义指标 161
7.3.2　使用回调函数 162
7.3.3　编写自定义回调函数 164
7.3.4　利用TensorBoard进行监控和可视化 165
7.4　编写自定义的训练循环和评估循环 167
7.4.1　训练与推断 168
7.4.2　指标的低阶用法 169
7.4.3　完整的训练循环和评估循环 169
7.4.4　利用tf.function加快运行速度 171
7.4.5　在fit()中使用自定义训练循环 172
7.5　本章总结 174
第8章　计算机视觉深度学习入门 175
8.1　卷积神经网络入门 176
8.1.1　卷积运算 178
8.1.2　最大汇聚运算 182
8.2　在小型数据集上从头开始训练一个卷积神经网络 184
8.2.1　深度学习对数据量很小的问题的适用性 184
8.2.2　下载数据 185
8.2.3　构建模型 . 187
8.2.4　数据预处理 189
8.2.5　使用数据增强 193
8.3　使用预训练模型 196
8.3.1　使用预训练模型做特征提取 197
8.3.2　微调预训练模型 204
8.4　本章总结 208
第9章　计算机视觉深度学习进阶 209
9.1　三项基本的计算机视觉任务 209
9.2　图像分割示例 210
9.3　现代卷积神经网络架构模式 218
9.3.1　模块化、层次结构和复用 218
9.3.2　残差连接 221
9.3.3　批量规范化 224
9.3.4　深度可分离卷积 226
9.3.5　综合示例：一个类似Xception的迷你模型 227
9.4　解释卷积神经网络学到的内容 229
9.4.1　中间激活值的可视化 230
9.4.2　卷积神经网络滤波器的可视化 235
9.4.3　类激活热力图的可视化 241
9.5　本章总结 246
第10章　深度学习处理时间序列 247
10.1　不同类型的时间序列任务 247
10.2　温度预测示例 248
10.2.1　准备数据 251
10.2.2　基于常识、不使用机器学习的基准 254
10.2.3　基本的机器学习模型 254
10.2.4　一维卷积模型 256
10.2.5　第一个RNN 基准 258
10.3　理解RNN 259
10.4　RNN 的高级用法 265
10.4.1　利用循环dropout 降低过拟合 265
10.4.2　循环层堆叠 268
10.4.3　使用双向RNN 269
10.4.4　进一步实验 271
10.5　本章总结 272
第11章　深度学习处理文本 273
11.1　自然语言处理概述 273
11.2　准备文本数据 274
11.2.1　文本标准化 275
11.2.2　文本拆分（词元化） 276
11.2.3　建立词表索引 277
11.2.4　使用TextVectorization层 278
11.3　表示单词组的两种方法：集合和序列 282
11.3.1　准备IMDB 影评数据 282
11.3.2　将单词作为集合处理：词袋方法 284
11.3.3　将单词作为序列处理：序列模型方法 289
11.4　Transformer架构 298
11.4.1　理解自注意力 298
11.4.2　多头注意力 302
11.4.3　Transformer编码器 303
11.4.4　何时使用序列模型而不是词袋模型 309
11.5　超越文本分类：序列到序列学习 310
11.5.1　机器翻译示例 312
11.5.2　RNN 的序列到序列学习 314
11.5.3　使用Transformer 进行序列到序列学习 318
11.6　本章总结 323
第12章　生成式深度学习 324
12.1　文本生成 325
12.1.1　生成式深度学习用于序列生成的简史 325
12.1.2　如何生成序列数据 326
12.1.3　采样策略的重要性 327
12.1.4　用Keras 实现文本生成 328
12.1.5　带有可变温度采样的文本生成回调函数 331
12.1.6　小结 334
12.2　DeepDream 334
12.2.1　用Keras 实现DeepDream 335
12.2.2　小结 341
12.3　　神经风格迁移 341
12.3.1　内容损失 342
12.3.2　风格损失 342
12.3.3　用Keras 实现神经风格迁移 343
12.3.4　小结 348
12.4　用变分自编码器生成图像 348
12.4.1　从图像潜在空间中采样 348
12.4.2　图像编辑的概念向量 350
12.4.3　变分自编码器 350
12.4.4　用Keras 实现变分自编码器 352
12.4.5　小结 357
12.5　生成式对抗网络入门 358
12.5.1　简要实现流程 359
12.5.2　诸多技巧 360
12.5.3　CelebA 数据集 360
12.5.4　判别器 361
12.5.5　生成器 362
12.5.6　对抗网络 364
12.5.7　小结 366
12.6　本章总结 367
第13章　适合现实世界的最佳实践 368
13.1　将模型性能发挥到极致 368
13.1.1　超参数优化 368
13.1.2　模型集成 375
13.2　加速模型训练 376
13.2.1　使用混合精度加快GPU上的训练速度 377
13.2.2　多GPU训练 380
13.2.3　TPU训练 382
13.3　本章总结 384
第14章　总结 385
14.1　重点概念回顾 385
14.1.1　人工智能的多种方法 385
14.1.2　深度学习在机器学习领域中的特殊之处 386
14.1.3　如何看待深度学习 386
14.1.4　关键的推动技术 387
14.1.5　机器学习的通用工作流程 388
14.1.6　关键网络架构 388
14.1.7　可能性空间 392
14.2　深度学习的局限性 394
14.2.1　将机器学习模型拟人化的风险 394
14.2.2　自动机与智能体 396
14.2.3　局部泛化与极端泛化 397
14.2.4　智能的目的 399
14.2.5　逐步提高泛化能力 400
14.3　如何实现更加通用的人工智能 401
14.3.1　设定正确目标的重要性：捷径法则 401
14.3.2　新目标 402
14.4　实现智能：缺失的内容 403
14.4.1　智能是对抽象类比的敏感性 404
14.4.2　两种抽象 405
14.4.3　深度学习所缺失的那一半 407
14.5　深度学习的未来 408
14.5.1　模型即程序 408
14.5.2　将深度学习与程序合成融合 409
14.5.3　终身学习和模块化子程序复用 411
14.5.4　长期愿景 412
14.6　了解快速发展的领域的最新进展 413
14.6.1　在Kaggle 上练习解决现实世界的问题 413
14.6.2　在arXiv上了解最新进展 414
14.6.3　探索Keras 生态系统 414
14.7　结束语 414