《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。
售 价：¥
纸质售价：¥85.60购买纸书
7.5
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
前言
致谢
关于本书
关于封面
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
1.2 深度学习之前：机器学习简史
1.3 为什么是深度学习，为什么是现在
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
2.3 神经网络的“齿轮”：张量运算
2.4 神经网络的“引擎”：基于梯度的优化
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
3.2 Keras 简介
3.3 建立深度学习工作站
3.4 电影评论分类：二分类问题
3.5 新闻分类：多分类问题
3.6 预测房价：回归问题
本章小结
第4章 机器学习基础
4.1 机器学习的四个分支
4.2 评估机器学习模型
4.3 数据预处理、特征工程和特征学习
4.4 过拟合与欠拟合
4.5 机器学习的通用工作流程
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
5.2 在小型数据集上从头开始训练一个卷积神经网络
5.3 使用预训练的卷积神经网络
5.4 卷积神经网络的可视化
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
6.2 理解循环神经网络
6.3 循环神经网络的高级用法
6.4 用卷积神经网络处理序列
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
7.2 使用 Keras 回调函数和 TensorBoard 来检查并监控深度学习模型
7.3 让模型性能发挥到极致
本章总结
第8章 生成式深度学习
8.1 使用 LSTM 生成文本
8.2 DeepDream
8.3 神经风格迁移
8.4 用变分自编码器生成图像
8.5 生成式对抗网络简介
本章总结
第9章 总结
9.1 重点内容回顾
9.2 深度学习的局限性
9.3 深度学习的未来
9.4 了解一个快速发展领域的最新进展
9.5 结束语
附录A 在 Ubuntu 上安装 Keras 及其依赖
A.1 安装 Python 科学套件
A.2 设置 GPU 支持
A.3 安装 Theano（可选）
A.4 安装 Keras
附录B 在 EC2 GPU 实例上运行 Jupyter 笔记本
B.1 什么是 Jupyter 笔记本，为什么要在 AWS GPU 上运行 Jupyter 笔记本
B.2 为什么你不想在 AWS 上使用 Jupyter 进行深度学习
B.3 设置 AWS GPU 实例
B.4 安装 Keras
B.5 设置本地端口转发
B.6 在本地浏览器中使用 Jupyter
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
