TensorFlow+Keras深度学习人工智能实践应用 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

林大贵 著

图书标签:

• TensorFlow
• Keras
• 深度学习
• 人工智能
• 实践
• 应用
• 机器学习
• 神经网络
• Python
• 数据科学
• 模型构建

出版社： 清华大学出版社

ISBN：9787302493020

版次：1

商品编码：12313704

包装：平装

开本：16开

出版时间：2018-01-01

用纸：胶版纸

页数：311

字数：531000

正文语种：中文

产品特色

编辑推荐

　　浅入深地讲解Keras与TensorFlow深度学习类神经网络
　　使用实际的数据集配合范例程序代码介绍各种深度学习算法，并示范如何进行数据预处理、训练数据、建立模型和预测结果

内容简介

　　本书提供安装、上机操作指南，同时辅以大量范例程序介绍TensorFlow + Keras深度学习方面的知识。本书分9部分，共21章，内容主要包括基本概念介绍、TensorFlow 与 Keras 的安装、Keras MNIST手写数字识别、Keras CIFAR-10照片图像物体识别、Keras多层感知器预测泰坦尼克号上旅客的生存概率、使用Keras MLP、RNN、LSTM进行IMDb自然语言处理与情感分析、以TensorFlow张量运算仿真神经网络的运行、TensorFlow MNIST手写数字识别、使用GPU大幅加快深度学习训练。
　　TensorFlow + Keras深度学习方面的知识不需要具备高等数学模型、算法等专业知识，读者只需要具备基本的Python程序设计能力，按照本书的步骤循序渐进地学习，就可以了解深度学习的基本概念，进而实际运用深度学习的技术。

作者简介

　　林大贵，从事IT行业多年，在系统设计、网站开发、数字营销、商业智慧、大数据、机器学习等领域具有丰富的实战经验。

目录

第1章 人工智能、机器学习与深度学习简介 1
1.1 人工智能、机器学习、深度学习的关系 2
1.2 机器学习介绍 4
1.3 机器学习分类 4
1.4 深度学习简介 7
1.5 结论 8
第2章 深度学习的原理 9
2.1 神经传导的原理 10
2.2 以矩阵运算仿真神经网络 13
2.3 多层感知器模型 14
2.4 使用反向传播算法进行训练 16
2.5 结论 21
第3章 TensorFlow与Keras介绍 22
3.1 TensorFlow架构图 23
3.2 TensorFlow简介 24
3.3 TensorFlow程序设计模式 26
3.4 Keras介绍 27
3.5 Keras程序设计模式 28
3.6 Keras与TensorFlow比较 29
3.7 结论 30
第4章 在Windows中安装TensorFlow与Keras 31
4.1 安装Anaconda 32
4.2 启动命令提示符 35
4.3 建立TensorFlow的Anaconda虚拟环境 37
4.4 在Anaconda虚拟环境安装TensorFlow与Keras 40
4.5 启动Jupyter Notebook 42
4.6 结论 48
第5章 在Linux Ubuntu中安装TensorFlow与Keras 49
5.1 安装Anaconda 50
5.2 安装TensorFlow与Keras 52
5.3 启动Jupyter Notebook 53
5.4 结论 54
第6章 Keras MNIST手写数字识别数据集 55
6.1 下载MNIST数据 56
6.2 查看训练数据 58
6.3 查看多项训练数据images与label 60
6.4 多层感知器模型数据预处理 62
6.5 features数据预处理 62
6.6 label数据预处理 64
6.7 结论 65
第7章 Keras多层感知器识别手写数字 66
7.1 Keras多元感知器识别MNIST手写数字图像的介绍 67
7.2 进行数据预处理 69
7.3 建立模型 69
7.4 进行训练 73
7.5 以测试数据评估模型准确率 77
7.6 进行预测 78
7.7 显示混淆矩阵 79
7.8 隐藏层增加为1000个神经元 81
7.9 多层感知器加入DropOut功能以避免过度拟合 84
7.10 建立多层感知器模型包含两个隐藏层 86
7.11 结论 89


第8章 Keras卷积神经网络识别手写数字 90
8.1 卷积神经网络简介 91
8.2 进行数据预处理 97
8.3 建立模型 98
8.4 进行训练 101
8.5 评估模型准确率 104
8.6 进行预测 104
8.7 显示混淆矩阵 105
8.8 结论 107
第9章 Keras CIFAR-10图像识别数据集 108
9.1 下载CIFAR-10数据 109
9.2 查看训练数据 111
9.3 查看多项images与label 112
9.4 将images进行预处理 113
9.5 对label进行数据预处理 114
9.6 结论 115
第10章 Keras卷积神经网络识别CIFAR-10图像 116
10.1 卷积神经网络简介 117
10.2 数据预处理 118
10.3 建立模型 119
10.4 进行训练 123
10.5 评估模型准确率 126
10.6 进行预测 126
10.7 查看预测概率 127
10.8 显示混淆矩阵 129
10.9 建立3次的卷积运算神经网络 132
10.10 模型的保存与加载 135
10.11 结论 136
第11章 Keras泰坦尼克号上的旅客数据集 137
11.1 下载泰坦尼克号旅客数据集 138
11.2 使用Pandas DataFrame读取数据并进行预处理 140
11.3 使用Pandas DataFrame进行数据预处理 142
11.4 将DataFrame转换为Array 143
11.5 将ndarray特征字段进行标准化 145
11.6 将数据分为训练数据与测试数据 145
11.7 结论 147
第12章 Keras多层感知器预测泰坦尼克号上旅客的生存概率 148
12.1 数据预处理 149
12.2 建立模型 150
12.3 开始训练 152
12.4 评估模型准确率 155
12.5 加入《泰坦尼克号》电影中Jack与Rose的数据 156
12.6 进行预测 157
12.7 找出泰坦尼克号背后的感人故事 158
12.8 结论 160
第13章 IMDb网络电影数据集与自然语言处理 161
13.1 Keras自然语言处理介绍 163
13.2 下载IMDb数据集 167
13.3 读取IMDb数据 169
13.4 查看IMDb数据 172
13.5 建立token 173
13.6 使用token将“影评文字”转换成“数字列表” 174
13.7 让转换后的数字长度相同 174
13.8 结论 176
第14章 Keras建立MLP、RNN、LSTM模型进行IMDb情感分析 177
14.1 建立多层感知器模型进行IMDb情感分析 178
14.2 数据预处理 179
14.3 加入嵌入层 180
14.4 建立多层感知器模型 181
14.5 训练模型 182
14.6 评估模型准确率 184
14.7 进行预测 185
14.8 查看测试数据预测结果 185
14.9 查看《美女与野兽》的影评 187
14.10 预测《美女与野兽》的影评是正面或负面的 190
14.11 文字处理时使用较大的字典提取更多文字 192
14.12 RNN模型介绍 193
14.13 使用Keras RNN模型进行IMDb情感分析 195
14.14 LSTM模型介绍 197
14.15 使用Keras LSTM模型进行IMDb情感分析 199
14.16 结论 200
第15章 TensorFlow程序设计模式 201
15.1 建立“计算图” 202
15.2 执行“计算图” 204
15.3 TensorFlow placeholder 206
15.4 TensorFlow数值运算方法介绍 207
15.5 TensorBoard 208
15.6 建立一维与二维张量 211
15.7 矩阵基本运算 212
15.8 结论 214
第16章 以TensorFlow张量运算仿真神经网络的运行 215
16.1 以矩阵运算仿真神经网络 216
16.2 以placeholder传入X值 220
16.3 创建layer函数以矩阵运算仿真神经网络 222
16.4 建立layer_debug函数显示权重与偏差 225
16.5 结论 226
第17章 TensorFlow MNIST手写数字识别数据集 227
17.1 下载MNIST数据 228
17.2 查看训练数据 229
17.3 查看多项训练数据images与labels 232
17.4 批次读取MNIST数据 234
17.5 结论 235
第18章 TensorFlow多层感知器识别手写数字 236
18.1 TensorFlow建立多层感知器辨识手写数字的介绍 237
18.2 数据准备 239
18.3 建立模型 239
18.4 定义训练方式 242
18.5 定义评估模型准确率的方式 243
18.6 进行训练 244
18.7 评估模型准确率 249
18.8 进行预测 249
18.9 隐藏层加入更多神经元 250
18.10 建立包含两个隐藏层的多层感知器模型 251
18.11 结论 252
第19章 TensorFlow卷积神经网络识别手写数字 253
19.1 卷积神经网络简介 254
19.2 进行数据预处理 255
19.3 建立共享函数 256
19.4 建立模型 258
19.5 定义训练方式 264
19.6 定义评估模型准确率的方式 264
19.7 进行训练 265
19.8 评估模型准确率 266
19.9 进行预测 267
19.10 TensorBoard 268
19.11 结论 270
第20章 TensorFlow GPU版本的安装 271
20.1 确认显卡是否支持CUDA 273
20.2 安装CUDA 274
20.3 安装cuDNN 278
20.4 将cudnn64_5.dll存放的位置加入Path环境变量 281
20.5 在Anaconda建立TensorFlow GPU虚拟环境 283
20.6 安装TensorFlow GPU版本 285
20.7 安装Keras 286
20.8 结论 286

第21章 使用GPU加快TensorFlow与Keras训练 287
21.1 启动TensorFlow GPU环境 288
21.2 测试GPU与CPU执行性能 293
21.3 超出显卡内存的限制 296
21.4 以多层感知器的实际范例比较CPU与GPU的执行速度 297
21.5 以CNN的实际范例比较CPU与GPU的执行速度 299
21.6 以Keras Cifar CNN的实际范例比较CPU与GPU的执行速度 302
21.7 结论 304
附录A 本书范例程序的下载与安装说明 305
A.1 在Windows系统中下载与安装范例程序 306
A.2 在Ubuntu Linux系统中下载与安装范例程序 310

精彩书摘

　　1．多层感知器模型的介绍
　　为了能够识别MNIST 手写数字图像，我们将建立如图7-1 所示的多层感知器模型。
　　图7-1
　　2．多层感知器的训练与预测
　　建立如图7-2 所示的多层感知器模型后，必须先训练模型才能够进行预测（识别）这些
　　手写数字。
　　TensorFlow+Keras深度学习人工智能实践应用
　　68
　　训练（Training）
　　数据预处理训练
　　Features
　　多层感知器模型
　　7 3 9
　　Label
　　预测（Predict）
　　数据预处理
　　训练完成
　　Features 多层感知器模型
　　预测结果
　　0~9 的数字
　　预测
　　图7-2
　　以多层感知器模型识别MNIST 数字图像可分为训练与预测。
　　训练
　　MNIST 数据集的训练数据共60 000 项，经过数据预处理后会产生Features（数字图像特
　　征值）与Label（数字真实的值），然后输入多层感知器模型进行训练，训练完成的模型就可
　　以作为下一阶段预测使用。
　　预测
　　输入数字图像，预处理后会产生Features（数字图像特征值），使用训练完成的多层感知
　　器模型进行预测，最后产生预测结果是0~9 的数字。
　　3. 建立多层感知器模型的步骤
　　多层感知器识别MNIST 数据集中的手写数字的步骤说明如图7-3所示。
　　图7-3
　　第7章 Keras多层感知器识别手写数字
　　69
　　7.2 进行数据预处理
　　有关读取MNIST 数据集数据并且进行数据预处理的详细介绍可参考第6章。
　　导入所需模块。
　　读取MNIST 数据。
　　将features（数字图像特征值）使用reshape 转换。
　　下面的程序代码将原本28×28 的数字图像以reshape 转换成784 个Float 数。
　　将features（数字图像特征值）标准化。
　　将features（数字图像特征值）标准化可以提高模型预测的准确度，并且更快收敛。
　　label（数字真实的值）以One-Hot Encoding进行转换。
　　使用np_utils.to_categorical 将训练数据与测试数据的label 进行One-Hot Encoding转换。
　　7.3 建立模型
　　我们将建立下列多层感知器模型，输入层（x）共有784 个神经元，隐藏层（h）共有
　　256 个神经元，输出层（y）共有10 个神经元，如图7-4 所示。我们将使用下面的程序代码
　　TensorFlow+Keras深度学习人工智能实践应用
　　70
　　建立多层感知器模型。
　　图7-4
　　1．导入所需模块
　　2．建立Sequential 模型
　　建立一个线性堆叠模型，后续只需要使用model.add()方法将各个神经网络层加入模型
　　即可。
　　3．建立“输入层”与“隐藏层”
　　以下程序代码将“输入层”与“隐藏层”加入模型，使用model.add 方法加入Dense 神
　　经网络层。Dense 神经网络层的特色是：所有的上一层与下一层的神经元都完全连接。
　　建立Dense 神经网络层需输入表7-1中的参数。
　　表7-1 建立Dense神经网络层所需参数
　　参数 参数说明
　　units=256 定义“隐藏层”神经元个数为256
　　input_dim=784
　　设置“输入层”神经元个数为784（因为原本28×28 的二维图像，以
　　reshape转换为一维的向量，也就是784 个Float 数）
　　kernel_initializer='normal'
　　使用normal distribution 正态分布的随机数来初始化weight（权重）和
　　bias（偏差）
　　activation 定义激活函数为relu
　　第7章 Keras多层感知器识别手写数字
　　71
　　4．建立“输出层”
　　使用下面的程序代码建立“输出层”，使用model.add 方法加入Dense 神经网络层，共有
　　10 个神经元，对应0~9 十个数字。并且使用softmax 激活函数进行转换，softmax 可以将神经
　　元的输出转换为预测每一个数字的概率。
　　建立“输出层”输入表7-2 中的参数。
　　表7-2 建立“输出层”所需参数
　　参数 参数说明
　　units=10 定义“输出层”神经元个数为10
　　kernel_initializer='normal' 使用normal distribution正态分布的随机数来初始化weight与bias
　　activation 定义激活函数为softmax
　　以上建立Dense 神经网络层不需要设置input_dim，因为Keras 会自动按照上一层的units
　　是256 个神经元，设置这一层的input_dim 为256 个神经元。
　　5．查看模型的摘要
　　我们可以使用下列指令来查看模型的摘要。
　　执行后屏幕显示界面如图7-5所示。
　　输出层共 10 个神经元
　　隐藏层共 256 个神经元
　　……

前言/序言

　　前 言
　　近年来，人工智能（Artificial Intelligence，AI）吸引了大众与媒体的目光，AlphaGo的成功更加让人工智能技术变得炙手可热，其实AI早已进入了我们的生活，如手机中的语音助理、人脸识别、影音平台每日的推荐等。然而，人工智能的发展才刚刚起步，未来人工智能的应用将会深入生活的每一个层面，也就是说未来一定是AI的时代。
　　深度学习是人工智能中成长最快的领域，深度学习就是仿真人类神经网络的工作方式，常见的深度学习架构有深度神经网络（DNN）、卷积神经网络（CNN）、递归神经网络（RNN）等。深度学习特别适用于视觉识别、语音识别、自然语言处理、识别癌细胞等领域，目前已经取得非常好的效果。
　　近年来，各大科技公司（如Google、Microsoft、Facebook、Amazon、Tesla等）都积极投入到深度学习领域进行研发。以Google公司为例，它在2014年以4亿美元并购了DeepMind公司。2016年，由DeepMind开发的人工智能围棋程序AlphaGo以4:1击败了世界级围棋冠军李世石，引起了网络与媒体的注目，让人们了解到深度学习的威力强大。
　　TensorFlow最初由Google Brain Team团队开发，Google使用TensorFlow进行研究及开发自身产品，并于2015年公开了它的源代码，所有的开发者都可以免费使用。Google的很多产品早就使用了机器学习或深度学习，例如Gmail过滤垃圾邮件、Google语音识别、图像识别、翻译等。
　　TensorFlow功能强大，执行效率高，支持各种平台。但是，TensorFlow是比较底层的深度学习链接库，学习门槛高，对于从未接触过深度学习的初学者，如果一开始就学习TensorFlow，就要面对其特殊的“计算图”（computational graph）程序设计模式，还必须自行设计张量（Tensor）运算，可能会有很大的挫折感。
　　所以本书先介绍Keras，这是以TensorFlow为底层的、高级的深度学习链接库，可以很容易地建立深度学习模型，进行训练并使用模型预测，对初学者而言学习门槛较低。等读者熟悉了深度学习模型后，再去学习TensorFlow就很轻松了。
　　近年来，深度学习和人工智能技术快速发展的一个很重要的因素是，GPU提供了强大的并行运算架构，可以让深度学习训练比用CPU来进行要快数十倍。本书也特别介绍了GPU的安装与应用，读者只需要有NVIDIA显示适配器（显卡），然后按照本书的介绍依次安装CUDA、cuDNN、TensorFlow GPU版本与Keras，就可以使用GPU大幅加快深度学习的训练。
　　林大贵

算法的演进：从模型到智能涌现的探索 在信息爆炸的时代，我们正经历着一场由数据驱动的深刻变革。这场变革的核心，是不断演进的算法，它们正在以前所未有的速度重塑我们的世界。从最基础的逻辑判断，到如今能够理解图像、文本，甚至生成创意内容，算法的进步速度令人惊叹。本书并非聚焦于某个特定的框架或工具，而是致力于深入剖析算法的内在逻辑，探寻其从简陋模型到复杂智能涌现的演进之路。我们将一同走进算法的世界，理解其核心原理，把握其发展脉络，并思考其在未来可能扮演的角色。 第一章：算法的基石：模型构建的逻辑 一切智能的萌芽，都始于对现实世界抽象与建模。本章将带领读者回顾算法发展史上那些奠定基石的经典模型。我们将从最基础的统计学模型讲起，例如线性回归，理解如何通过数据点之间的关系来预测未知。这不仅仅是一个公式，更是一种思维方式——从海量信息中提炼出规律，并将其转化为可操作的预测。我们将探讨参数的意义，以及如何通过优化这些参数来提升模型的准确性。 接着，我们会深入到更具代表性的模型，例如决策树。决策树以其直观易懂的结构，展现了如何将复杂的决策过程分解为一系列简单的判断。我们将分析构建决策树时所涉及的熵、信息增益等概念，理解算法如何通过“选择最有效的问题”来划分数据。这为我们理解更复杂的分类与回归问题奠定了基础。 在此基础上，我们将触及一些早期的神经网络模型，如感知机。虽然感知机在处理线性可分问题时表现出色，但其局限性也促使了后续更强大的模型的诞生。我们将理解其基本结构：输入层、输出层，以及“神经元”之间的连接与权重。即使是这些简单的模型，也蕴含着“学习”的种子，即通过调整权重来适应数据。 本章的关键在于培养一种“模型思维”。我们并非机械地记忆公式，而是理解每种模型背后所代表的逻辑、假设以及适用场景。我们将学习如何根据问题的特性，选择合适的模型作为起点，并理解模型的能力边界。通过对这些基础模型的深入理解，读者将能够更好地把握后续更复杂算法的原理。 第二章：数据驱动的成长：特征工程与学习范式 算法的强大，离不开数据的滋养。本章将聚焦于数据在算法学习过程中的核心作用，以及如何通过有效的“数据处理”来释放算法的潜力。我们将强调“特征工程”的重要性，它并非简单的“数据清洗”，而是通过对原始数据的深入理解，创造出更能体现事物本质的“特征”。我们将探讨各种特征提取与转换的技术，例如如何从文本中提取关键词、如何对图像进行边缘检测、如何对时序数据进行窗口化处理等。 然后，我们将深入探讨机器学习的几种核心学习范式。 监督学习（Supervised Learning）： 这是最常见的学习范式。我们将深入理解分类（Classification）和回归（Regression）任务，例如识别垃圾邮件、预测房价等。本章将详细讲解支持向量机（SVM）如何找到最佳的决策边界，理解核技巧（Kernel Trick）如何处理非线性可分问题。我们还将探讨 K 近邻（K-NN）算法，理解其基于“近朱者赤，近墨者黑”的直观思想。 无监督学习（Unsupervised Learning）： 当我们手中没有明确的标签信息时，无监督学习便大显身手。我们将探索聚类（Clustering）算法，例如 K-Means，理解其如何将相似的数据点分组。我们将学习主成分分析（PCA）等降维技术，理解如何从高维数据中提取最关键的信息，以简化模型并提高效率。 强化学习（Reinforcement Learning）： 这是一个更具探索性的学习范式，模拟了生物体通过试错来学习的过程。我们将介绍马尔可夫决策过程（MDP）作为强化学习的理论基础，理解“状态”、“动作”、“奖励”以及“策略”的概念。我们将探讨 Q-learning 等经典算法，理解代理（Agent）如何通过与环境交互来最大化累积奖励。 本章的核心是让读者理解，算法的学习过程并非“凭空而生”，而是对数据中的模式、关系进行学习与模仿。我们将强调数据质量、数据预处理以及特征选择对最终模型性能的决定性影响。 第三章：深度网络的崛起：层次化特征的提取 进入21世纪，深度学习以其强大的特征提取能力，成为了人工智能领域最耀眼的明星。本章将带领读者揭开深度神经网络（DNN）的神秘面纱，理解其“深度”的真正含义。我们将从多层感知机（MLP）开始，理解其如何通过堆叠更多的隐藏层来构建更复杂的非线性映射。 反向传播算法（Backpropagation）： 这是训练深度神经网络的核心算法。我们将详细解析反向传播的数学原理，理解梯度下降（Gradient Descent）如何迭代更新网络的权重，从而最小化损失函数。我们将探讨各种梯度下降的优化器，如 Adam、RMSprop，理解它们如何在训练过程中加速收敛并避免陷入局部最优。 卷积神经网络（CNN）： 专门用于处理图像数据的神经网络。我们将深入理解卷积层（Convolutional Layer）的工作原理，例如感受野（Receptive Field）、卷积核（Kernel）的作用。我们将探讨池化层（Pooling Layer）如何降低数据的空间维度，以及全连接层（Fully Connected Layer）如何进行最终的分类或回归。我们将分析 AlexNet、VGG、ResNet 等经典CNN架构的演进，理解它们如何通过更精巧的设计来提升性能。 循环神经网络（RNN）与长短期记忆网络（LSTM）： 专门用于处理序列数据的神经网络。我们将理解 RNN 如何通过“记忆”之前的输入来处理序列信息。然而，标准 RNN 存在梯度消失/爆炸的问题，因此我们将重点介绍 LSTM 的门控机制（Input Gate, Forget Gate, Output Gate），理解它如何有效地捕捉长距离依赖关系。我们将探讨其在自然语言处理（NLP）领域的应用，如文本生成、机器翻译。 本章的重点在于理解深度学习模型如何通过多层次的抽象，自动地从原始数据中学习到越来越高级、越来越抽象的特征。我们将强调网络结构的设计、激活函数的选择（如 ReLU、Sigmoid、Tanh）以及损失函数的作用。 第四章：超越感知：理解、生成与交互 随着算法能力的不断提升，我们正逐步迈向能够“理解”和“生成”的智能。本章将探讨更高级的人工智能应用，以及算法如何在这些领域展现出令人惊叹的能力。 自然语言处理（NLP）的进展： 我们将深入探讨 Transformer 模型及其变种（如 BERT、GPT 系列）的革命性影响。理解自注意力机制（Self-Attention Mechanism）如何让模型并行地关注序列中的不同部分，从而极大地提升了对上下文的理解能力。我们将分析这些模型在文本理解、情感分析、问答系统、文本摘要等任务上的突破。 生成模型（Generative Models）： 除了理解文本，算法还能创造文本。我们将探讨生成对抗网络（GANs）的原理，理解生成器（Generator）和判别器（Discriminator）如何相互博弈，共同提升生成数据的真实感。我们将分析 GANs 在图像生成、风格迁移、超分辨率等领域的应用。此外，我们还将触及变分自编码器（VAEs）等其他生成模型。 多模态学习（Multimodal Learning）： 真实世界的信息往往是多模态的，例如图像与文本的结合。我们将探讨如何让算法同时处理和理解不同类型的数据，例如图像描述生成、视觉问答等。理解不同模态数据之间的对齐与融合是关键。 强化学习的深度发展： 除了简单的策略学习，我们将探讨深度强化学习（DRL）如何与深度学习相结合，在更复杂的决策任务中取得成功，例如 AlphaGo 的里程碑式胜利。我们将理解如何将深度神经网络作为价值函数或策略函数的近似，从而处理高维的状态空间。 本章的目的是让读者感受到算法正在从被动的信息处理者，转变为主动的理解者和创造者。我们将思考这些能力的边界，以及它们如何被应用于解决更具挑战性的实际问题。 第五章：伦理、未来与人的角色 随着人工智能的飞速发展，技术本身不再是唯一的焦点，其带来的社会影响和伦理问题也日益凸显。本章将引导读者超越技术本身，思考人工智能的未来发展方向，以及人类在其中的角色。 人工智能的伦理考量： 我们将探讨偏见（Bias）问题，即算法可能继承甚至放大训练数据中的不公平性。我们将讨论可解释性（Explainability）和透明度（Transparency）的重要性，尤其是在医疗、金融等关键领域。我们将思考隐私保护、数据安全以及算法的责任归属等问题。 AI 的普适化与人机协作： 人工智能不再是实验室里的概念，而是越来越深入地融入我们的生活。我们将思考如何设计更加友善、易于使用的人工智能产品，以及如何构建高效的人机协作模式。人类的创造力、同情心和批判性思维，将与算法的计算能力形成互补。 迈向通用人工智能（AGI）： 我们将探讨通用人工智能（Artificial General Intelligence）的愿景，即能够像人类一样执行广泛任务的智能体。我们将分析实现 AGI 所面临的挑战，以及可能的技术路径。 人类智慧的独特价值： 在算法能力日益强大的背景下，我们更需要重新审视人类智慧的独特价值。创造力、情感理解、道德判断、价值观的形成，这些是当前人工智能难以企及的领域。我们将思考如何通过教育和发展，进一步发掘和提升这些人类独有的能力。 本章的目的是引发读者的思考，不仅仅是掌握技术，更要理解技术背后的社会责任和发展方向。我们希望读者在掌握算法工具的同时，也能成为负责任的、具有前瞻性的思考者，共同塑造一个人机和谐共生的未来。 本书旨在为您提供一个深入理解算法演进和人工智能发展脉络的框架。我们不局限于某个具体的工具，而是希望您能够建立起扎实的理论基础，培养灵活的思维方式，从而能够应对未来更加复杂和充满挑战的算法世界。

评分☆☆☆☆☆

这本书就像是开启我人工智能之旅的一扇大门。我一直对深度学习和人工智能充满好奇，但常常被那些晦涩难懂的理论和复杂的数学公式吓退。这本书的出现，简直是及时雨！它用一种非常亲切和易懂的方式，将 TensorFlow 和 Keras 这两个强大的工具融入到实际的应用场景中，让我不再感到束手无策。 书中并没有一开始就抛出大量的理论概念，而是循序渐进地引导读者动手实践。从搭建第一个简单的神经网络开始，到理解卷积神经网络、循环神经网络等核心模型，每一步都伴随着清晰的代码示例和详细的解释。我特别喜欢书中对每一个参数的讲解，不再是简单的罗列，而是深入剖析了它们的作用和影响，让我对模型的构建有了更深的理解。 更重要的是，这本书注重实际应用。它涵盖了图像识别、自然语言处理、推荐系统等多个热门领域，通过真实的案例分析，让我看到深度学习在现实世界中的强大威力。例如，在讲解图像识别时，书中不仅教会了我如何训练模型，还展示了如何将模型部署到实际应用中，解决实际问题。这种“学以致用”的学习方式，极大地激发了我学习的动力和兴趣。 通过这本书，我不仅掌握了 TensorFlow 和 Keras 的基本用法，更重要的是培养了解决问题的能力。当遇到新的问题时，我不再是茫然无措，而是能够运用书中所学的方法和思路，去分析、去尝试、去解决。这本书就像一位耐心的导师，在我学习的道路上给予了我持续的指导和支持。 总而言之，如果你和我一样，对人工智能充满了热情，但又苦于找不到入门的路径，那么这本书绝对是你的不二之选。它用最直观、最实用的方式，让你快速上手 TensorFlow 和 Keras，并带领你走进人工智能的精彩世界。我强烈推荐这本书给所有想要深入学习人工智能的读者！

评分☆☆☆☆☆

这是一本让我感到“惊喜连连”的书。在我以为自己已经对深度学习有了初步了解的时候，这本书却为我打开了新的视角。它不仅仅停留在基础知识的讲解，而是深入到了许多更精妙的技巧和更具挑战性的应用。 我印象最深刻的是书中关于“模型调优”的章节。作者并没有仅仅列出调参的公式，而是通过大量的实验数据和分析，向我们展示了如何通过精细的参数调整，来将模型的性能提升到新的高度。我学会了如何运用早停法、梯度裁剪等技术，来应对复杂的训练过程。 书中对“迁移学习”的讲解也让我受益匪浅。我了解到如何利用预训练模型来加速新任务的学习，这极大地降低了从头开始训练模型的难度，也让我能够接触到一些原本难以独立完成的复杂任务。比如，在尝试自然语言理解时，我利用了预训练的 BERT 模型，在很短的时间内就取得了不错的效果。 这本书还包含了一些关于“可解释性人工智能”的探讨。在人工智能越来越深入地影响我们生活的今天，理解模型的决策过程变得越来越重要。书中介绍了一些可视化工具和技术，帮助我们更好地理解模型的“思考”方式，这对于建立对人工智能的信任非常关键。 此外，书中还提供了一些关于“人工智能伦理”的思考。虽然这是一本技术书籍，但作者并没有回避人工智能可能带来的社会问题，而是引导我们思考如何在技术发展的同时，也兼顾伦理和社会责任。这种人文关怀让我对人工智能有了更全面的认识。 总而言之，这本书是一本能够让你“眼界大开”的深度学习实践指南。它不仅仅教授你技术，更引导你思考，让你在掌握强大工具的同时，也能对人工智能的未来有更深刻的理解。我强烈推荐这本书给所有希望在人工智能领域有更深入探索的读者。

评分☆☆☆☆☆

这本书给我的感觉就像是在一个充满无限可能的实验室里进行探索。它不像某些书籍那样，仅仅停留在理论的层面，而是将我们直接带入到 TensorFlow 和 Keras 这个强大的工具箱中，让我们亲手去构建、去调整、去发现。我一直对人工智能的“创造性”一面非常着迷，而这本书正好满足了我的这一需求。 书中的实践部分让我印象深刻。作者精心设计了多个不同难度和方向的项目，每一个项目都像是一个小小的挑战，需要我们运用所学的知识去克服。例如，在构建一个图像生成模型时，我第一次体验到了“无中生有”的奇妙感觉，通过调整参数，看到模型逐渐生成逼真的图像，这种成就感是无与伦比的。 另外，我对书中关于模型优化和调参的章节尤为关注。深度学习模型的效果很大程度上取决于参数的设置，而书中提供了非常系统性的方法来指导我们如何进行调优。我学会了如何识别过拟合和欠拟合，以及如何通过正则化、学习率调整等手段来提升模型的性能。这让我从一个“调包侠”逐渐向一个“模型工程师”转变。 书中还涉及了一些更前沿的技术，比如对抗生成网络（GANs）和强化学习。虽然这些章节的内容相对深入，但作者的讲解依然保持了清晰易懂的风格，并提供了相应的代码示例。这让我看到了深度学习在人工智能领域无限的可能，也激发了我进一步探索更复杂模型的兴趣。 总而言之，这本书不仅仅是一本技术手册，更是一本激发创造力和探索精神的启蒙读物。它让我看到了人工智能的巨大潜力，也为我提供了实现这些潜力的强大工具。我非常庆幸能够通过这本书，开启我的深度学习实践之旅。

评分☆☆☆☆☆

这本书的叙述风格非常独特，它没有采用传统的“教条式”讲解，而是更像一位经验丰富的导师，与你一起逐步深入人工智能的奥秘。我在阅读过程中，常常会有一种“原来如此”的顿悟感，仿佛作者能够准确地捕捉到我学习过程中可能遇到的困惑，并及时给予解答。 我特别欣赏书中对“黑箱”模型的剖析。深度学习模型有时会给人一种神秘感，但这本书通过可视化的方式，将模型内部的运作机制层层揭开。例如，在讲解卷积神经网络时，书中通过可视化卷积核的激活图，让我们看到了模型是如何逐步提取图像特征的，这对于理解模型的工作原理非常有帮助。 书中提供的多个实战项目，覆盖了人工智能的各个重要领域。我最喜欢的是关于推荐系统的章节，它让我理解了如何利用深度学习来分析用户行为，并为用户提供个性化的推荐。这不仅仅是技术上的学习，更让我看到了人工智能在改善用户体验方面的实际价值。 此外，书中还对一些常见的算法进行了深入的比较分析，比如在图像分类任务中，作者会对比不同算法的优劣，并给出选择建议。这种“知其然，更知其所以然”的学习方式，让我能够更灵活地根据具体问题选择合适的模型和算法。 这本书的另一大亮点在于它强调了“工程化”思维。它不仅仅教会我们如何构建模型，更重要的是如何将模型部署到实际应用中，并进行持续的监控和优化。这种完整的生命周期视角，对于我们将来从事人工智能相关工作至关重要。 总而言之，这本书是一本集理论深度、实践广度、以及思维启发于一体的优秀著作。它为我提供了一个扎实的人工智能技术基础，并培养了我独立思考和解决问题的能力。我相信，这本书将成为我人工智能学习道路上不可或缺的指引。

评分☆☆☆☆☆

这本书的独特之处在于它打破了传统教材的僵化模式，将理论与实践巧妙地融合在一起，提供了一种“手把手”的学习体验。我之前尝试过一些深度学习的教程，但总是感觉知识点过于零散，难以形成系统性的认知。而这本书则像一条清晰的脉络，将 TensorFlow 和 Keras 的核心概念与实际应用场景紧密连接，让我在学习过程中能够不断地巩固和深化理解。 我尤其欣赏书中对不同模型架构的讲解。作者并没有简单地介绍各种模型的名称和功能，而是通过代码演示，让我们直观地感受到不同模型在解决同一类问题时所展现出的差异性和优势。比如，在介绍图像识别时，书中对比了不同卷积神经网络层数的模型在准确率和计算效率上的表现，这让我对模型的设计有了更深入的洞察。 此外，书中提供的案例研究非常具有启发性。我最感兴趣的是关于自然语言处理的部分，书中不仅讲解了如何构建文本分类模型，还延伸到了情感分析和文本生成等更高级的应用。通过这些案例，我开始意识到深度学习在理解和生成人类语言方面的巨大潜力，也为我未来的研究方向提供了新的灵感。 这本书的内容组织得非常合理，从基础知识的铺垫，到复杂模型的讲解，再到实际应用的拓展，整个学习路径非常流畅。即使是对于一些初学者来说，也不会感到过于困难。书中对于代码的注释也十分详尽，使得我能够轻松地理解每一行代码的含义，并在此基础上进行修改和实验。 总的来说，这本书为我提供了一个全面且实用的深度学习学习框架。它不仅教会了我如何使用 TensorFlow 和 Keras，更重要的是培养了我独立解决问题的能力，让我能够自信地将所学知识应用到实际项目中。这是一本值得反复阅读和借鉴的学习宝典。

评分☆☆☆☆☆

正在学习，希望能轻松入门

评分☆☆☆☆☆

学习Tensorflow必备图书，一起加油吧！

评分☆☆☆☆☆

框架很好，但细节不敢恭维。举个例子，alexnet，第五层卷积层relu的输入居然写成了第二层的输出，接下来池化后reshape应该是6*6*256写成13*13*256，其他错误地方也很多。我怀疑作者究竟认真校对了多少。不过瑕不掩瑜，对于初学者了解tf还是不错的

评分☆☆☆☆☆

公司采购的，书不错 ！是正品一手的 ！！快递很快速！

评分☆☆☆☆☆

618清空购物车！便宜

评分☆☆☆☆☆

很好的，快递速度很快，上午下单，下午送到。书的内容比较适合初学者，没有讲深，算是优点也算是缺点吧。

评分☆☆☆☆☆

好好刚忙蛮好好高好高

评分☆☆☆☆☆

质量非常好,真出乎我的意料,包装非常仔细,非常感谢 ,祝生意兴隆!

评分☆☆☆☆☆

618清空购物车！便宜