![Python深度学习 - [美] 弗朗索瓦•肖莱](https://static.book345.com/covers/s/9787115488763.jpg)
书籍介绍
这本书最独特的地方，在于它把「理解」而非「会用」放在了优先位置。作者身为 Keras 之父，却没有把读者当成算法工程师来培养，而是反复提醒：你不需要亲手推导链式求导，只需明白机器学习是用微积分来优化结果就够了。这种「不吓退读者」的姿态，在普遍默认读者具备数理统计背景的国内教材里显得格外难得。它用张量统一讲解图像、文本、序列数据，强调「深度学习不需要做特征提取」，并坦诚地指出深度学习的边界——它不是万能的。正因如此，它特别适合想建立正确概念、又对数学有畏难情绪的人；但如果你追求的是底层原理的严密证明，或许会觉得某些地方「讲得有点浅」。
作者简介
弗朗索瓦··肖莱（François Chollet），Keras 之父，TensorFlow 机器学习框架贡献者，Kaggle 竞赛教练，个人 Kaggle 竞赛全球排名曾获得第17名。目前任职于 Google，从事人工智能研究，尤其关注计算机视觉与机器学习在形式推理方面的应用。
AI导读
核心看点
- Keras之父亲笔，深入浅出讲解深度学习原理。
- 无需深厚数学背景，零基础即可上手实践。
- 涵盖视觉、NLP等应用，附30多个代码示例。
读者共识
- 公认最友好的深度学习入门书，通俗易懂。
- 作者视角独特，强调直觉理解而非死磕公式。
- 虽代码稍显过时，但核心思想依然极具价值。
精彩摘录
- "这就是智能的本质。它能够有效利用你所掌握的信息，从而在面对不断变化且不确定的未来时能够做出成功的行为。笛卡儿所说的“理解”就是这种非凡能力的关键：能够挖掘过去的经验，形成模块化、可重复使用的抽象概念。这些抽象概念可以被快速重新使用，以处理新的情况并实现极端泛化。"
- "其基本思想是：要想在新的表示空间中找到良好的决策超平面，你不需要在新空间中直接计算点的坐标，只需要在新空间中计算点对之间的距离，而利用核函数（kernel function）可以高效地完成这种计算。核函数是一个在计算上能够实现的操作，将原始空间中的任意两点映射为这两点在目标表示空间中的距离，完全避免了对新表示进行直接计算。核函数通常是人为选择的，而不是从数据中学到的——对于SVM来说，只有分割超平面是通过学习得到的。"
- "训练开始时，优化和泛化是相关的：训练数据上的损失越小，测试数据上的损失也越小。这时的模型是欠拟合（underfit）的，即仍有改进的空间，网络还没有对训练数据中所有相关模式建模。但在训练数据上迭代一定次数之后，泛化不再提高，验证指标先是不变，然后开始变差，即模型开始过拟合。这时模型开始学习仅和训练数据有关的模式，但这种模式对新数据来说是错误的或无关紧要的。"
- "总结一下，防止神经网络过拟合的常用方法包括： 获取更多的训练数据 减小网络容量 添加权重正则化 添加dropout"
- "Besides such clear-cut, explicit analogies, we’re constantly making smaller, implicit analogies – every second, with every thought. Analogies are how we navigate life. Going to a new supermarket? You’ll find your way by relating it to similar stores you’ve been to. Talking to someone new? They’ll re"
目录
用户评论
要调Keras简单翻了翻，一个数学公式都没有，全是Python代码的naive实现来帮助理解。还成，挺有用。
是也乎,(￣▽￣) 创始人的图书是必须刷的…成功的帮助建立起一个正确的概念…DeepLearning 不是万能的…丫很简单…只是很多…
以及…NVIDIA 的股票能买就买吧…不得不涨的………
深入浅出，通俗易懂
利用张量方式讲解深度学习。深度学习不需要做特征提取。
可以说相当友好了.不过RNN那章原理部分讲得太模糊了，尤其LSTM和GRU，基本一带而过
是TensorFlow官网入门例题的延伸，讲了很多非常有用的调参经验，针对一个问题用不同方法对比效果会有更深的体验
keras之父精心编制的一门python深度学习书，能用代码解决的绝对不写数学公式，全篇竟然没有一个数学公式，关于CNN、RNN、GAN、VAE也各有精彩的应用案例分享全流程。强烈推荐！！！
写的挺好，就是还有点小错误，所以显得不如日本的那个斋藤严谨
一刷结束。
好书，但是目前感觉不是一个完美的入门教程。和斋藤康毅那本书相比，不是那么完美。而且翻译得有点烂……
入门深度学习非常好的图书，翻译也很顺畅，但深度学习的技术更迭实在太快，作为一本2018年的书，已经有部分书中提到的技术被淘汰
你可能会关注的书籍
下载
收藏