Python深度学习(第2版)

【作者简介】

弗朗索瓦.肖莱（Franc?ois Chollet）

谷歌公司深度学习科学家，流行深度学习框架Keras之父。Keras的GitHub星标数近6万，用户数量已超100万。此外，他也是TensorFlow框架的贡献者，个人Kaggle竞赛全球排名曾获第17名。利用Keras，他致力于普及深度学习技术和实现通用人工智能。

【译者简介】

张亮（hysic）

毕业于北京大学物理学院，核安全高级工程师，深谙机器学习和数据分析，译有《Python机器学习基础教程》《Python数据处理》等。

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