本书从基础知识开始讲解深度学习的原理和应用，包括该领域的发展、深度学习的入门知识、深度学习模型的理论、代码和实际应用中的优化。
本书共12章，主要内容包括深度学习基础、深度学习的环境准备、深度学习的知识准备、神经网络基础知识、使用Keras构建神经网络、神经网络的进一步优化、卷积神经网络、使用Keras构建卷积神经网络、卷积神经网络可视化、迁移学习、循环神经网络和使用Keras构建循环神经网络等。对于本书中介绍的深度学习模型，我们提供了实例代码供读者学习。
本书作为深度学习的入门书籍，适合希望从零开始了解深度学习技术，并且快速掌握深度学习理论和使用深度学习工具的学生和技术人员阅读。

我们现在生活在一个智能化的时代。数据和人工智能的魅力在于，任何一种信息都可以有数据化的表现形式。大数据为我们提供了一个宝库，而深度学习就是开启这个宝库的一把钥匙。60年前，当神经网络的概念初见雏形时，或许没有人能想到它会改变世界。如今，图像识别大赛上深度学习模型的准确度已经超越人类，人机对弈中阿尔法围棋取得胜利，谷歌的无人驾驶汽车投入商业运营，波士顿动力的机器人学会了奔跑、跳跃和后空翻……深度学习历经寒冬，走到聚光灯下，它既不是实验室中的空中楼阁，也不是计算机从业者的专利，所引领的人工智能变革关乎我们每一个人的生活体验和职业发展。
本书就是在这样的背景下产生的。拿到本书的你，无论是在校学习还是已经工作，无论是从事人工智能的研究还是关注着人工智能的发展，要想拥抱这个时代，就需要走进这一领域，在实践中找到应用场景并发挥其技术潜能。
对初学者而言，想掌握深度学习，就需要使用适合的编程语言以及简单易懂的框架。Python语言是当下深度学习领域的优选，而Keras在众多的深度学习框架中也是比较容易入门的，所以本书利用Python和Keras来学习深度学习方面的内容。
本书理论结合实践，详细介绍深度学习的基础理论以及相关的必要知识，同时讲解深度学习模型和代码。第1章介绍深度学习的基本概念、发展历程和应用领域。第2、3章介绍深度学习所需要的编程环境和基础知识。第4~6章介绍全连接神经网络，包括它的原理、在Keras中的实现和一些在实践中的优化建议。第7~9章介绍卷积神经网络，包括目前比较经典的卷积神经网络架构，如AlexNet、VGG-16、Inception和ResNet。第10章在卷积神经网络的基础上介绍迁移学习，这是一种训练和应用深度学习模型的常用方法。第11、12章介绍循环神经网络，并通过预测时间序列的例子讲解循环神经网络的应用。
本书资源可以登录机械工业出版社华章分社的网站（www.hzbook.com）下载，搜索到本书，然后在页面上的“资源下载”模块下载即可。如果下载有问题，请发送电子邮件至booksaga@126.com。
本书从开始编写到成稿历时一年，首先感谢父母的支持，同时感谢广汽研究院的裴锋和王玉龙，他们是我入行人工智能的领路人。由于编者经验有限，本书难免有疏漏之处，望各位读者不吝赐教。

刘文如
2020年1月10日

计算机\程序设计

深度学习、神经网络、人工智能的理论和应用

本书理论结合实践，详细介绍深度学习的基础理论以及相关的必要知识，同时讲解深度学习卷积神经网络模型并给出实例代码，以实际动手操作的方式来引导读者学习。


第1章 深度学习入门 第2章 深度学习的环境准备
第3章 深度学习的知识准备 第4章 神经网络
第5章 使用Keras构建神经网络 第6章 神经网络的进一步优化
第7章 卷积神经网络 第8章 使用Keras构建卷积神经网络
第9章 卷积神经网络可视化 第10章 迁移学习
第11章 循环神经网络 第12章 使用Keras构建循环神经网络

前言
第1章 深度学习入门 1
1.1 什么是深度学习 1
1.1.1 深度学习是一种特定类型的机器学习 2
1.1.2 深度学习是数学问题 3
1.1.3 深度学习是一个黑箱 5
1.2 深度学习的发展 6
1.3 认识当前的深度学习 7
1.3.1 为什么是现在 8
1.3.2 当数据成为“燃料” 8
1.3.3 深度学习的突破 10
1.4 深度学习的应用领域 12
1.4.1 深度学习适合做什么 12
1.4.2 深度学习的应用场景 14
1.5 如何入门深度学习 15
第2章 深度学习的环境准备 17
2.1 选择Python作为深度学习的编程语言 17
2.2 深度学习常用框架介绍 18
2.3 选择适合自己的框架 21
2.4 Python的安装 25
2.4.1 概述 25
2.4.2 安装Anaconda 26
2.4.3 使用conda进行环境管理和包管理 27
2.5 Keras的安装 29
2.5.1 什么是Keras 29
2.5.2 安装TensorFlow 30
2.5.3 安装Keras 31
第3章 深度学习的知识准备 32
3.1 概率论 33
3.1.1 什么是概率 33
3.1.2 概率分布 35
3.1.3 信息论 38
3.2 线性代数 40
3.2.1 矩阵 40
3.2.2 矩阵的运算 43
3.2.3 从矩阵中取值 45
3.2.4 相关术语 46
3.3 导数 47
3.3.1 什么是导数 48
3.3.2 链式法则 49
3.4 机器学习基础 50
3.4.1 监督学习 50
3.4.2 分类和回归 51
3.4.3 训练、验证和预测 53
第4章 神经网络 56
4.1 神经网络与深度学习 56
4.1.1 生物学中的神经网络 56
4.1.2 深度学习网络 58
4.2 前向传播算法 60
4.2.1 神经网络的表示 60
4.2.2 神经元的计算 61
4.2.3 激活函数 62
4.2.4 神经网络的前向传播 64
4.3 反向传播算法 67
4.3.1 神经网络的训练 68
4.3.2 损失函数 69
4.3.3 梯度下降 71
4.3.4 神经网络的反向传播 73
4.4 更好地训练神经网络 75
4.4.1 选择正确的损失函数 75
4.4.2 选择通用的激活函数 76
4.4.3 更合适的优化算法 76
4.4.4 选择合适的批量 77
4.4.5 参数初始化 78
第5章 使用Keras构建神经网络 80
5.1 Keras中的模型 81
5.2 Keras中的网络层 82
5.3 模型的编译 83
5.3.1 优化器 83
5.3.2 损失函数 84
5.3.3 性能评估 85
5.4 训练模型 85
5.5 使用训练好的模型 86
5.6 实例：手写体分类问题 86
5.7 Keras批量训练大量数据 92
5.8 在Keras中重复使用模型 97
第6章 神经网络的进一步优化 100
6.1 过拟合 100
6.2 梯度消失和梯度爆炸 106
6.3 局部最优 110
6.4 批量归一化 111
第7章 卷积神经网络 115
7.1 计算机视觉和图像识别 115
7.2 卷积神经网络基础 118
7.2.1 卷积神经网络的结构 118
7.2.2 卷积层 119
7.2.3 池化层 125
7.2.4 卷积神经网络的设计 126
7.3 为什么要使用卷积神经网络 128
7.4 图像处理数据集 130
7.5 CNN发展历程 133
7.5.1 AlexNet 134
7.5.2 VGG 136
7.5.3 Inception 138
7.5.4 ResNet 139
第8章 使用Keras构建卷积神经网络 144
8.1 Keras中的卷积层 144
8.2 Keras中的池化层 147
8.3 Keras中的全连接层 148
8.4 实例1：使用卷积神经网络处理手写体分类问题 148
8.5 实例2：重复使用已经训练好的卷积神经网络模型 152
8.6 图像的数据增强 158
8.6.1 使用ImageDataGenerator进行数据增强 158
8.6.2 使用增强数据进行模型训练 163
第9章 卷积神经网络可视化 166
9.1 概述 166
9.2 对神经网络进行可视化 168
9.2.1 可视化神经网络的中间层 168
9.2.2 可视化过滤器 173
9.3 对关注点进行可视化 176
9.3.1 显著图 177
9.3.2 类激活图 180
9.4 自动驾驶的应用 182
第10章 迁移学习 185
10.1 什么是迁移学习 185
10.2 为什么要使用迁移学习 186
10.3 迁移学习的适用性 187
10.4 在Keras中进行迁移学习 189
10.4.1 在MNIST上迁移学习的例子 190
10.4.2 迁移学习的适用情况 193
10.4.3 实例 194
第11章 循环神经网络 205
11.1 神经网络中的序列问题 205
11.2 循环神经网络的使用 207
11.2.1 输入/输出 207
11.2.2 前向传播 209
11.2.3 反向传播 213
11.3 长短期记忆网络 215
11.4 应用场景 217
第12章 使用Keras构建循环神经网络 221
12.1 Keras中的循环层 221
12.2 Keras中的嵌入层 224
12.3 IMDB实例 226
12.3.1 全连接网络 227
12.3.2 SimpleRNN 229
12.3.3 LSTM 231
12.3.4 双向循环神经网络 232
12.3.5 用了卷积层的循环网络结构 234
12.4 LSTM实例 237
12.4.1 深度学习中的时间序列问题 237
12.4.2 使用更多的历史信息 242
12.4.3 多个时间步长的预测 244
12.5 有状态的循环神经网络 247
12.5.1 字母预测问题 248
12.5.2 有状态的LSTM 252