本書為軟件工程師和數據科學家而編寫，書中簡明而全面地介紹了目前的神經網絡和深度學習技術。全書展示了基於Keras框架、以Python編碼的20多種有效的神經網絡。你將從本書中學到以下內容：在大型神經網絡上使用反向傳播算法逐步優化函數微調神經網絡以改進結果質量使用深度學習進行圖像和音頻處理在特定的案例中使用遞歸神經張量網絡（RNTN）以取得比標準詞嵌入更好的效果識別循環神經網絡（RNN）適於解決的問題探索自動編碼機的實現過程使用強化學習增強深層神經網絡全書通俗易懂，強調實際案例，適合廣大的機器學習等

●第 1章  神經網絡基礎11.1  感知機  2  第 一個Keras代碼示例  31.2  多層感知機—第 一個神經網絡的示例  31.2.1  感知機訓練方案中的問題  41.2.2  激活函數—sigmoid  51.2.3  激活函數—ReLU  51.2.4  激活函數  61.3  實例—手寫數字識別  61.3.1  One-hot編碼—OHE  71.3.2  用Keras定義簡單神經網絡  71.3.3  運行一個簡單的Keras網絡並創建基線  101.3.4  用隱藏層改進簡單網絡  111.3.5  用dropout進一步改進簡單網絡  141.3.6  Keras中的不同優化器測試  161.3.7  增加訓練輪數  201.3.8  控制優化器的學習率  201.3.9  增加內部隱的數量  211.3.10  增加批處理的大小  221.3.11  識別手寫數字的實驗總結  221.3.12  采用正則化方法避免過擬合  221.3.13  超參數調優  241.3.14  輸出預測  241.4  一種實用的反向傳播概述  251.5  走向深度學習之路  261.6  小結  27第  2章 Keras安裝和API  282.1  安裝Keras  282.1.1  第 1步—安裝依賴項  282.1.2  第 2步—安裝Theano  292.1.3  第3步—安裝TensorFlow  292.1.4  第4步—安裝Keras  302.1.5  第5步—測試Theano、TensorFlow和Keras  302.2  配置Keras  312.3  在Docker上安裝Keras  322.4  在谷歌Cloud ML上安裝Keras  342.5  在亞馬遜AWS上安裝Keras  362.6  在微軟Azure上安裝Keras  372.7  Keras API  392.7.1  從Keras架構開始  402.7.2  預定義神經網絡層概述  402.7.3  預定義激活函數概述  432.7.4  損失函數概述  442.7.5  評估函數概述  442.7.6  優化器概述  442.7.7  一些有用的操作  442.7.8  保存和加載權重及模型結構  452.8  自定義訓練過程的回調函數  452.8.1  檢查點設置  452.8.2  使用TensorBoard  472.8.3  使用Quiver  472.9  小結  48第3章  深度學習之卷積網絡  493.1  深度卷積神經網絡—DCNN  503.1.1  局部感受野  503.1.2  共享權重和偏置  513.1.3  池化層  513.2  DCNN示例—LeNet  523.2.1  用Keras構建LeNet代碼  533.2.2  深度學習的本領  593.3  用深度學習網絡識別CIFAR-10圖像  603.3.1  用深度學習網絡改進CIFAR-10的性能  643.3.2  通過數據增加改善CIFAR-10的性能  663.3.3  用CIFAR-10進行預測  683.4  用於大型圖片識別的極深度卷積網絡  693.4.1  用VGG-16網絡識別貓  713.4.2  使用Keras內置的VGG-16網絡模塊  723.4.3  為特征提取回收內置深度學習模型  733.4.4  用於遷移學習的極深inception-v3網絡  743.5  小結  76第4章  生成對抗網絡和WaveNet  784.1  什麼是生成對抗網絡  78  生成對抗網絡的一些應用  804.2  深度卷積生成對抗網絡  824.3  用Keras adversarial生成MNIST數據  854.4  用Keras adversarial生成CIFAR數據  914.5  WaveNet—一個學習如何產生音頻的生成模型  994.6  小結  108第5章  詞嵌入  1095.1  分布式表示  1105.2  word2vec  1105.2.1  skip-gram word2vec模型  1115.2.2  CBOW word2vec模型  1145.2.3  從模型中提取word2vec向量  1165.2.4  使用word2vec的第三方實現  1175.3  探索GloVe  1215.4  使用預訓練好的詞向量  1225.4.1  從頭開始學習詞向量  1235.4.2  從word2vec中微調訓練好的詞向量  1275.4.3  從GloVe中微調訓練好的詞向量  1315.4.4  查找詞向量  1325.5  小結  136第6章  循環神經網絡—RNN  1376.1  SimpleR  138  用Keras實現SimpleRNN—生成文本  1396.2  RNN拓撲結構  1436.3  梯度消失和梯度爆炸  1456.4  長短期記憶網絡—LSTM  146  用Keras實現LSTM—情感分析  1486.5  門控—GRU  153  用Keras實現GRU—詞性標注  1546.6  雙向RNN  1606.7  有狀態RNN  161  用Keras實現有狀態LSTM—電量消費預測  1616.8  其他RNN變體  1676.9  小結  167第7章  其他深度學習模型  1697.1  Keras函數API  1707.2  回歸網絡  172  Keras回歸示例—預測空氣中的苯含量  1727.3  無監督學習—自動編碼器  176  Keras自動編碼器示例—句向量  1787.4  構造深度網絡  185  Keras示例—問答記憶網絡  1857.5  自定義Keras  1927.5.1  Keras示例—使用lambda層  1937.5.2  Keras示例—自定義歸一化層  1937.6  生成模型  1967.6.1  Keras示例—Deep Dreaming  1977.6.2  Keras示例—風格轉換  2047.7  小結  208第8章  遊戲中的AI  2108.1  強化學習  2118.1.1  優選化未來獎賞  2128.1.2  Q學習  2128.1.3  深度Q網絡作為Q函數  2138.1.4  探索和利用的平衡  2148.1.5  經驗回放，或經驗值  2158.2  示例—用Keras深度Q網絡實現捕捉遊戲  2158.3  未來之路  2268.4  小結  228第9章  結束語  2299.1  Keras 2.0—新特性  2309.1.1  安裝Keras 2.0  2309.1.2  API的變化  231

作為一款輕量級、模塊化的開源深度學習框架，Keras以容易上手、利於快速原型實現、能夠與TensorFlow和Theano等後端計算平臺很好兼容等優點，深受眾多開發人員和研究人員的喜愛。本書結合大量實例，簡明扼要地介紹了目前熱門的神經網絡技術和深度學習技術。從經典的多層感知機到用於圖像處理的深度卷積網絡，從處理序列化數據的循環網絡到偽造仿真數據的生成對抗網絡，從詞嵌入到AI遊戲應用中的強化學習，本書引領讀者一層一層揭開深度學習的面紗，並在逐漸清晰的理論框架下，提供多個Python編碼實例，方便讀者動手實踐。通過閱讀本書，讀者不僅能學會使用Keras快捷構建各個類型的深度網絡，還可以按需自定義網絡層和後端功能，從而提升自己的AI編程能力，在成為深度學習專家的路上更進一步。

(意)安東尼奧·古利(Antonio Gulli),(印)蘇伊特·帕爾(Sujit Pal) 著;王海玲,李昉 譯 著作