![Python深度学习（第2版） - [美] 弗朗索瓦·肖莱](https://static.book345.com/covers/s/9787115597175.jpg)
书籍介绍
这本书最独特的地方，在于它用「看得见的代码」代替了「看不懂的公式」，让没有数学背景的读者也能摸到深度学习的门道。它不是严格的理论教材，而更像一本「Keras 实战手册」——全书大半篇幅在演示如何搭建模型，原理点到为止。正因如此，它饱受争议：有人盛赞它是无可替代的入门首选，也有人吐槽「内容与书名不符」「代码看懂了、原理没懂」。但真正打动人的，是作者肖莱在书中大量注入的个人经验与判断：如何防止过拟合、如何理解训练与泛化的关系、甚至对通用人工智能走向的独到思考——这些「旁白」是同类书里极少见到的。它适合想快速把想法跑起来、又希望被前辈经验点拨的初学者；若你追求严密的数学推导，它或许会让你失望。
作者简介
弗朗索瓦·肖莱（François 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。
AI导读
核心看点
- Keras之父执笔，用代码直观阐释深度学习核心思想
- 摒弃复杂数学公式，以Python代码构建知识体系
- 涵盖从基础概念到CNN、RNN等前沿模型的实战应用
读者共识
- 公认的最佳深度学习入门书，深入浅出且系统连贯
- 作者作为领域专家，提供了许多独到的经验与思考
- 实操性强，是连接理论与实践的优秀桥梁
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
吴恩达深度学习教程很好的补充
非常好的入门书，深入浅出
和上一板知识面差不多，还没全部看完，目前看的话多了图像分割的例子，然后对于keras的使用更加深入，包括简单的层块堆叠，函数式api，模块子类化的解读。使用了tensorflow2.6.0的很多功能，上一版没有的callback使用，EarlyStopping、ModelCheckpoint等，还有TensorBoard的使用也有稍微说一下
下载
收藏