本书针对所提出的问题提供技术解决方案，并提供对这些解决方案的详细解释。此外，还讨论了使用TensorFlow、PyTorch、Keras和CNTK等流行开源框架针对实际问题解决方案相应的优缺点。本书也介绍了人工神经网络基本概念及其相关技术，包括经典的网络拓扑等。本书主要目的是为Python程序员提供较为详细的实战方案，以便将深度学习应用于常见和不常见实际问题场景。 

本书包括14章：（1） 编程环境、GPU 计算、云解决方案和深度学习框架；（2）前馈神经网络；（3）卷积神经网络；（4）递归神经网络；（5）强化学习；（6）生成对抗网络；（7）计算机视觉；（8）自然语言处理；（9）语音识别和视频分析；（10）时间序列和结构化数据；（11）游戏智能体和机器人；（12）超参数选择、调优和神经网络学习；（13）网络内部构造；（14）预训练模型。 

本书的主要特点： 

1）提供训练不同神经网络模型并调整模型以期获得佳性能的实战方案； 

2）使用诸如TensorFlow、Caffe、Keras、Theano的Python框架进行自然语言处理、计算机视觉识别等； 

3）Python深度学习中的常见以及不常见问题的解决指南。 

通过本书将会学到： 

1）在Python中实现不同的人工神经网络模型； 

2）选择诸如PyTorch、TensorFlow、MXNet和Keras等优的Python开源框架来进行深度学习； 

3）应用神经网络内部细节相关的提示和技巧，以提高学习成效； 

4）巩固机器学习原理并将其应用于深度学习领域； 

5）重用Python代码段并将其应用于解决日常问题； 

6）评估每个解决方案的成本/收益和性能影响。

作者简介

Indra den Bakker是一位经验丰富的深度学习工程师和培训师。他是23insights平台的创始人，这是NVIDIA所属孵化项目计划的一部分，这是一个机器学习构建解决方案的初创型计划，可以改变世界上重要的行业。在开放课程平台Udacity，他指导了在深度学习和相关领域攻读微学位（Nanodegree）的学生，他还负责审查学生的实习项目。Indra拥有计算智能背景，并在创建23insights平台之前作为IPG Mediabrands的品牌代理以及Screen6的数据科学家若干年。

目录

译者序 

原书前言 

第 1章 编程环境、GPU计算、云解决方案和深度学习框架 //1 

1.1 简介 //1 

1.2 搭建一个深度学习环境 //2 

1.3 在 AWS上启动实例 //2 

1.4 在 GCP上启动实例 //3 

1.5 安装 CUDA和 cuDNN //4 

1.6 安装 Anaconda和库文件 //6 

1.7 连接服务器上的 Jupyter Notebooks //7 

1.8 日臻伟平图书专营店

1.9 直观地用 Keras建立网络 //10 

1.10 使用 PyTorch的 RNN动态计算图 //12 

1.11 用 CNTK实现高性能模型 //14 

1.12 使用 MXNet构建高效的模型 //15 

1.13 使用简单、高效的 Gluon编码定义网络 //17 

第 2章 前馈神经网络 //19 

2.1 简介 //19 

2.2 理解感知器 //19 

2.3 实现一个单层神经网络 //23 

2.4 构建一个多层神经网络 //27 

2.5 开始使用激活函数 //30 

2.6 关于隐层和隐层神经元的实验 //35 

2.7 实现一个自动编码器 //38 

2.8 调整损失函数 //41 

2.9 测试不同的优化器 //44 

2.10 使用正则化技术提高泛化能力 //47 

2.11 添加 Dropout以防止过拟合 //51 

第 3章 卷积神经网络 //56 

3.1 简介 //56 

3.2 开始使用滤波器和参数共享 //56 

3.3 应用层合并技术 //60 

3.4 使用批量标准化进行优化 //62 

3.5 理解填充和步长 //66 

3.6 试验不同类型的初始化 //72 

3.7 实现卷积自动编码器 //76 

3.8 将一维 CNN应用于文本 //79 

第 4章 递归神经网络 //81 

4.1 简介 //81 

4.2 实现一个简单的 RNN //82 

4.3 添加 LSTM //84 

4.4 使用 GRU //86 

4.5 实现双向 RNN //89 

4.6 字符级文本生成 //91 

第 5章 强化学习 //95 

5.1 简介 //95 

5.2 实现策略梯度 //95 

5.3 实现深度Q学习算法 //102 

第 6章 生成对抗网络 //109 

6.1 简介 //109 

6.2 了解 GAN //109 

6.3 实现 DCGAN //112 

6.4 使用 SRGAN来提高图像分辨率 //117 

第 7章 计算机视觉 //125 

7.1 简介 //125 

7.2 利用计算机视觉技术增广图像 //125 

7.3 图像中的目标分类 //130 

7.4 目标在图像中的本地化 //134 

7.5 实时检测框架 //139 

7.6 用 U-net将图像分类 //139 

7.7 语义分割与场景理解 //143 

7.8 寻找人脸面部关键点 //147 

7.9 人脸识别 //151 

7.10 将样式转换为图像 //157 

第 8章 自然语言处理 //162 

8.1 简介 //162 

8.2 情绪分析 //162 

8.3 句子翻译 //165 

8.4 文本摘要 //169 

第 9章 语音识别和视频分析 //174 

9.1 简介 //174 

9.2 从零开始实现语音识别流程 //174 

9.3 使用语音识别技术辨别讲话人 //177 

9.4 使用深度学习理解视频 //181 

第 10章 时间序列和结构化数据 //185 

10.1 简介 //185 

10.2 使用神经网络预测股票价格 //185 

10.3 预测共享单车需求 //189 

10.4 使用浅层神经网络进行二元分类 //192 

第 11章 游戏智能体和机器人 //194 

11.1 简介 //194 

11.2 通过端到端学习来驾驶汽车 //194 

11.3 通过深度强化学习来玩游戏 //199 

11.4 用 GA优化超参数 //205 

第 12章 超参数选择、调优和神经网络学习 //211 

12.1 简介 //211 

12.2 用 TensorBoard和 Keras可视化训练过程 //211 

12.3 使用批量和小批量工作 //215 

12.4 使用网格搜索调整参数 //219 

12.5 学习率和学习率调度 //221 

12.6 比较优化器 //224 

12.7 确定网络的深度 //227 

12.8 添加 Dropout以防止过拟合 //227 

12.9 通过数据增广使模型更加鲁棒 //232 

12.10 利用 TTA来提高精度 //234 

第 13章 网络内部构造 //235 

13.1 简介 //235 

13.2 用 TensorBoard可视化训练过程 //235 

13.3 用 TensorBoard可视化网络结构 //239 

13.4 分析网络权重等 //239 

13.5 冻结层 //244 

13.6 存储网络结构并训练权重 //246 

第 14章 预训练模型 //250 

14.1 简介 //250 

14.2 使用 GoogLeNet/Inception进行大规模视觉识别 //250 

14.3 用 ResNet提取瓶颈特征 //252 

14.4 对新类别使用预训练的 VGG模型 //253 

14.5 用 Xception细调 //256