《Python深度學習從零開始學》簡介

# 好書推薦 ## 好書奇遇季 # 深度學習入門書《 Python 深度學習從零開始學》，京東噹噹天貓都有發售。 從模型和實驗入手，快速掌握深度學習技術。

 

業內大咖強力推薦！！！ 武漢大學資訊管理學院教授 盧龍，騰訊雲區域解決方案平臺部總經理 王剛，微軟（中國）有限公司首席技術顧問 管震，百度智慧雲華南區解決方案總監 黃龍，騰訊雲 AI 應用產品中心總監 施明，騰訊雲最有價值專家 TVP ，微軟最有價值專家 MVP 彭愛華，亞馬遜雲科技解決方案架構師 王華。

 

本書內容

 

本書共分 13 章，主要內容包括人工智慧、機器學習和深度學習之間的關係，深度學習的環境搭建，深度學習的原理，深度學習框架 TensorFlow 和 Keras ，卷積神經網路相關知識，影像識別，情感分析，遷移學習，人臉識別，影像風格遷移，生成對抗網路等內容。本書從最簡單的常識出發來切入 AI 領域，打造平滑和興奮的學習體驗。本書配套示例原始碼、 PPT 課件、資料集與答疑服務。

 

本書思路

 

深度學習如何高效入門可以說是 AI 領域老生常談的一個問題了，一種路徑是從傳統的統計學習開始，然後跟著書上推公式學數學；另一種路徑是從實驗入手，畢竟深度學習是一門實驗科學，透過學習深度學習框架 TensorFlow 和 Keras 以及具體的影像識別的任務入手。

對於想要快速出成果的同學來說，第一種方法是不推薦的，除非你的數學很強想去做一些偏理論的工作，對於大部分人來說還是從深度模型入手，以實驗為主來學習比較合適。

本書立足實踐，以通俗易懂的方式詳細介紹深度學習的基礎理論以及相關的必要知識，同時以實際動手操作的方式來引導讀者入門人工智慧深度學習。

 

本書讀者

 

本書作為零基礎入門書，既適合希望瞭解深度學習、使用深度學習框架快速上手的初學者和技術人員閱讀，也適合作為高等院校和培訓學校人工智慧及相關專業的師生的實訓教材。

 

本書作者

 

宋立桓 ， IT 資深技術專家，騰訊公司騰訊雲解決方案架構師，主要負責為企業客戶提供顧問諮詢、培訓和方案設計服務。之前服務於微軟中國有限公司。目前專注於雲端計算 、大資料和人工智慧，對區塊鏈的相關技術也有深入的研究。著有圖書《 Cloudera Hadoop 大資料平臺實戰指南》《 AI 制勝：機器學習極簡入門》《 MySQL 效能最佳化和高可用架構實踐》《雲宇宙：網際網路新未來》等。

 

推薦語

 

人工智慧時代已經到來，深度學習是對人類思考和決策行為的模擬。我的校友宋立桓的這本書有助於初學者建立有用的深度學習直覺，降低人工智慧入門的門檻，使得初學者快速上手，提高學習興趣。

—— 盧龍    國家級人才稱號獲得者，美國耶魯大學博士後， 武漢大學資訊管理學院教授

 

在人工智慧全面進入人類生活之時，世界各大科技巨頭公司都在這個領域百花齊放、百家爭鳴。深度學習是人工智慧從概念提出到走向繁榮的主流實現技術 , 宋立桓以實戰應用簡述 AI ，每一位深度學習初學者都會開卷有益。

—— 王剛 騰訊雲區域解決方案平臺部總經理

 

如果你想往人工智慧領域發展，並著手找一本書籍來完成入門的話，宋老師這本書值得推薦給你。我認識宋老師這麼多年，他一直沉浸在前沿技術的實踐中，這本書融入了他的技術心得，你能獲得理論和實踐的啟迪。

—— 管震 微軟（中國）有限公司首席技術顧問

 

深度學習讓計算機可以像人一樣不斷學習，不斷擁有新的智慧，為人類開啟了人工智慧的大門。宋老師的這本書能幫助讀者快速上手，理解深度學習實戰應用，是深度學習初學者的理想選擇。

—— 黃龍 百度智慧雲華南區解決方案總監

 

AI 技術應用勢頭迅猛，優秀人才短缺，誰先轉型，誰就佔得職場先機。深度學習是人工智慧研究中最前沿的領域，對於零基礎小白，怎樣快速入門深度學習呢？這本書適合非 AI 方向的零基礎讀者，書中理論與實踐並行，大大降低深度學習的門檻，易於新手上手學習。

—— 施明 騰訊雲 AI 應用產品中心總監

 

對於數字化來說，人工智慧是重中之重，而初學者往往對諸如深度學習、機器學習技術望而生畏，摸不著門道。宋老師的這本書則是及時雨，能幫我們快速掌握開啟人工智慧大門的鑰匙，書中不僅介紹了相關的理論和操作，還介紹了實際應用場景，推薦大家作為案頭必備。

—— 彭愛華   騰訊雲最有價值專家 TVP ，微軟最有價值專家 MVP

 

深度學習是機器學習領域中非常熱門的方向，宋老師這本書立足於快速上手，你無須具備深度學習相關的背景知識即可展開閱讀。在學習完本書後，你將具備搭建自己的深度學習環境、建立影像識別模型等能力，並能夠入門深度學習。

—— 王華 亞馬遜雲科技解決方案架構師

 

 

目    錄

 第1章  人工智慧、機器學習與深度學習簡介1

1.1  什麼是人工智慧1

1.2  人工智慧的本質2

1.3  人工智慧相關專業人才的就業前景4

1.4  機器學習和深度學習5

1.4.1  什麼是機器學習5

1.4.2  深度學習獨領風騷7

1.4.3  機器學習和深度學習的關係和對比8

1.5  小白如何學深度學習10

1.5.1  關於兩個“放棄”10

1.5.2  關於三個“必須”11

 第2章  深度學習開發環境搭建13

2.1  Jupyter Notebook極速入門13

2.1.1  什麼是Jupyter Notebook13

2.1.2  如何安裝和啟動Jupyter Notebook14

2.1.3  Jupyter Notebook的基本使用16

2.2  深度學習常用框架介紹18

2.3  Windows環境下安裝TensorFlow（CPU版本）和Keras19

2.4  Windows環境下安裝TensorFlow（GPU版本）和Keras21

2.4.1  確認顯示卡是否支援CUDA21

2.4.2  安裝CUDA22

2.4.3  安裝cuDNN23

2.4.4  安裝TensorFlow（GPU版本）和Keras24

2.5  Windows環境下安裝PyTorch25

2.5.1  安裝PyTorch（CPU版本）25

2.5.2  安裝PyTorch（GPU版本）26

 第3章  Python資料科學庫28

3.1  張量、矩陣和向量28

3.2  陣列和矩陣運算庫——NumPy29

3.2.1  列表和陣列的區別29

3.2.2  建立陣列的方法30

3.2.3  NumPy的算術運算30

3.2.4  陣列變形31

3.3  資料分析處理庫——Pandas32

3.3.1  Pandas資料結構Series32

3.3.2  Pandas資料結構DataFrame33

3.3.3  Pandas處理CSV檔案34

3.3.4  Pandas資料清洗35

3.4  資料視覺化庫——Matplotlib37

 第4章  深度學習基礎40

4.1  神經網路原理闡述40

4.1.1  神經元和感知器40

4.1.2  啟用函式42

4.1.3  損失函式44

4.1.4  梯度下降和學習率45

4.1.5  過擬合和Dropout 46

4.1.6  神經網路反向傳播法47

4.1.7  TensorFlow遊樂場帶你玩轉神經網路48

4.2  卷積神經網路51

4.2.1  什麼是卷積神經網路51

4.2.2  卷積神經網路詳解52

4.2.3  卷積神經網路是如何訓練的 54

4.3  卷積神經網路經典模型架構55

4.3.1  LeNet556

4.3.2  AlexNet59

4.3.3  VGGNet60

4.3.4  GoogLeNet61

4.3.5  ResNet63

 第5章  深度學習框架TensorFlow入門66

5.1  第一個TensorFlow的“Hello world”66

5.2  TensorFlow程式結構66

5.3  TensorFlow常量、變數、佔位符68

5.3.1  常量68

5.3.2  變數69

5.3.3  佔位符71

5.4  TensorFlow案例實戰73

5.4.1  MNIST數字識別問題73

5.4.2  TensorFlow多層感知器識別手寫數字74

5.4.3  TensorFlow卷積神經網路識別手寫數字79

5.5  視覺化工具TensorBoard的使用84

 第6章  深度學習框架Keras入門88

6.1  Keras架構簡介88

6.2  Keras常用概念89

6.3  Keras建立神經網路基本流程90

6.4  Keras建立神經網路進行泰坦尼克號生還預測 93

6.4.1  案例專案背景和資料集介紹93

6.4.2  資料預處理96

6.4.3  建立模型97

6.4.4  編譯模型並進行訓練97

6.4.5  模型評估98

6.4.6  預測和模型的儲存99

6.5  Keras建立神經網路預測銀行客戶流失率100

6.5.1  案例專案背景和資料集介紹100

6.5.2  資料預處理102

6.5.3  建立模型103

6.5.4  編譯模型並進行訓練104

6.5.5  模型評估105

6.5.6  模型最佳化——使用深度神經網路輔以Dropout正則化106

 第7章  資料預處理和模型評估指標108

7.1  資料預處理的重要性和原則108

7.2  資料預處理方法介紹109

7.2.1  資料預處理案例——標準化、歸一化、二值化109

7.2.2  資料預處理案例——缺失值補全、標籤化111

7.2.3  資料預處理案例——獨熱編碼113

7.2.4  透過資料預處理提高模型準確率114

7.3  常用的模型評估指標115

 第8章  影像分類識別121

8.1  影像識別的基礎知識121

8.1.1  計算機是如何表示影像121

8.1.2  卷積神經網路為什麼能稱霸計算機影像識別領域122

8.2  例項一：手寫數字識別125

8.2.1  MNIST手寫數字識別資料集介紹125

8.2.2  資料預處理126

8.2.3  建立模型127

8.2.4  進行訓練129

8.2.5  模型儲存和評估130

8.2.6  進行預測130

8.3  例項二：CIFAR-10影像識別130

8.3.1  CIFAR-10影像資料集介紹131

8.3.2  資料預處理132

8.3.3  建立模型132

8.3.4  進行訓練133

8.3.5  模型評估135

8.3.6  進行預測135

8.4  例項三：貓狗識別137

8.4.1  貓狗資料集介紹137

8.4.2  建立模型139

8.4.3  資料預處理140

8.4.4  進行訓練141

8.4.5  模型儲存和評估142

8.4.6  進行預測143

8.4.7  模型的改進最佳化144

 第9章  IMDB電影評論情感分析148

9.1  IMDB電影資料集和影評文書處理介紹148

9.2  基於多層感知器模型的電影評論情感分析152

9.2.1  加入嵌入層152

9.2.2  建立多層感知器模型152

9.2.3  模型訓練和評估153

9.2.4  預測155

9.3  基於RNN模型的電影評論情感分析157

9.3.1  為什麼要使用RNN模型157

9.3.2  RNN模型原理158

9.3.3  使用RNN模型進行影評情感分析159

9.4  基於LSTM模型的電影評論情感分析159

9.4.1  LSTM模型介紹160

9.4.2  使用LTSM模型進行影評情感分析161

 第10章  遷移學習162

10.1  遷移學習簡介162

10.2  什麼是預訓練模型163

10.3  如何使用預訓練模型164

10.4  在貓狗識別的任務上使用遷移學習165

10.5  在MNIST手寫體分類上使用遷移學習168

10.6  遷移學習總結171

 第11章  人臉識別實踐172

11.1  人臉識別172

11.1.1  什麼是人臉識別172

11.1.2  人臉識別的步驟173

11.2  人臉檢測和關鍵點定位實戰176

11.3  人臉表情分析情緒識別實戰180

11.4  我能認識你——人臉識別實戰184

 第12章  影像風格遷移188

12.1  影像風格遷移簡介188

12.2  使用預訓練的VGG16模型進行風格遷移191

12.2.1  演算法思想191

12.2.2  演算法細節192

12.2.3  程式碼實現194

12.3  影像風格遷移總結201

 第13章  生成對抗網路202

13.1  什麼是生成對抗網路202

13.2  生成對抗網路演算法細節204

13.3  迴圈生成對抗網路206

13.4  利用CycleGAN進行影像風格遷移209

13.4.1  匯入必要的庫210

13.4.2  資料處理210

13.4.3  生成網路212

13.4.4  判別網路214

13.4.5  整體網路結構的搭建215

13.4.6  訓練程式碼217

13.4.7  結果展示219

後記  進一步深入學習220