Python深度学习（第2版）（图灵出品）

图书标准信息

• 作者 [美]弗朗索瓦·肖莱（Franc·ois Chollet） 著；张亮 译
• 出版社 人民邮电出版社
• 出版时间 2022-08
• 版次 1
• ISBN 9787115597175
• 定价 129.80元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 414页
• 字数 638千字
• 正文语种 简体中文

【内容简介】

本书由流行深度学习框架Keras之父弗朗索瓦·肖莱执笔，通过直观的解释和丰富的示例帮助你构建深度学习知识体系。作者避免使用数学符号，转而采用Python代码来解释深度学习的核心思想。全书共计14章，既涵盖了深度学习的基本原理，又体现了这一迅猛发展的领域在近几年里取得的重要进展，包括Transformer架构的原理和示例。读完本书后，你将能够使用Keras解决从计算机视觉到自然语言处理等现实世界的诸多问题，包括图像分类、图像分割、时间序列预测、文本分类、机器翻译、文本生成等。

【作者简介】

【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。

【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