深度学习：基于Keras的Python实践 pdf epub mobi txt 电子书下载 2025

简体网页||繁体网页

☆☆☆☆☆

魏贞原著

图书标签:

深度学习
Keras
Python
机器学习
神经网络
TensorFlow
人工智能
实践
代码
教程

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到图书大百科

book.teaonline.club

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

出版社：电子工业出版社

ISBN：9787121341472

版次：1

商品编码：12369586

品牌：Broadview

包装：平装

开本：16开

出版时间：2018-06-01

用纸：胶版纸

页数：244

字数：268

具体描述

产品特色

编辑推荐

适读人群：本书非常适合于项目经理，有意从事机器学习开发的程序员，以及高校在读相关专业的学生。

本书将介绍一种与传统方式不同的学习深度学习的方式；

主要介绍Keras在Python中生成并评估深度学习的模型；

本书具有端到端的例子，适合实践，能够快速上手，代码复现容易。

内容简介

《深度学习：基于Keras的Python实践》本书系统讲解了深度学习的基本知识，以及使用深度学习解决实际问题，详细介绍了如何构建及优化模型，并针对不同的问题给出不同的解决方案，通过不同的例子展示了在具体项目中的应用和实践经验，是一本非常好的深度学习的入门和实践书籍。

《深度学习：基于Keras的Python实践》以实践为导向，使用Keras 作为编程框架，强调简单、快速地上手建立模型，解决实际项目问题。读者可以通过学习本书，迅速上手实践深度学习，并利用深度学习解决实际问题。

《深度学习：基于Keras的Python实践》非常适合于项目经理，有意从事机器学习开发的程序员，以及高校在读相关专业的学生。

作者简介

魏贞原，IBM 高级项目经理，数据分析团队Leader，主要负责银行客户的复杂系统开发。同时是IBMCIC量子计算COE团队的Python 领域专家（Subject Matter Expert），负责量子计算应用的探索工作，对机器学习和深度学习有深入的研究，精通于运用机器学习来解决数据科学的问题。并运营“知之Python”公众号，定期分享 Python 在机器学习和深度学习的实践知识。

内页插图

精彩书评

深度学习是目前很热的领域之一。迅速上手想必是每个想跨入深度学习开发行列的人关心的问题。本书面向对深度学习算法有一定了解的人群，全面讲解了如何利用 Python 建立、评估并且改善模型。本书中有别于传统书籍的编排方式，循序渐进，对所有知识点均提供了大量的实例，中间穿插了简洁的理论知识介绍，娓娓道来，让读者在实践中迅速上手，达到事半功倍的效果，是掌握 Deep Learning 的必读之作。

—— 张亮，副合伙人，IBM 客户创新中心银行事业部负责人

Watson 是 IBM 在认知计算系统领域内的杰出代表，IBM 在机器学习、深度学习等领域有丰富的理论和实践。本书作者结合 IBM 的先进实践和中国国内热度较高的开源产品，一步一步浅显易懂地讲解如何学习和掌握 Google 的 TensorFlow、微软的 CNTK 和著名 Python 类库 Keras。本书介绍了如何使用阿里云的 GPU 云服务来加速大型深度学习模型的训练，为了让读者可以边读边练，作者把源代码放到了 GitHub 上，方便查阅。详细地介绍了卷积神经网络（CNN）和循环神经网络（RNN）等理论，并通过手写数字识别、图像识别、情感分析、时间序列预测、影评序列分类、多变量时间序列预测等深度学习热点应用方向，对理论知识进行了详细的介绍和实践应用说明。

本书条理清晰，理论和实践相结合，非常值得阅读。

—— 王德会，IBM 副合伙人，IBM 客户创新中心对日保险事业部负责人

精彩书摘

　　激活函数是加权输入与神经元输出的简单映射。它被称为激活函数，是因为它控制神经元激活的阈值和输出信号的强度。历史上最简单的激活函数是临界值判定，如输入总和高于阈值（如0.5），则神经元将输出值1.0，否则将输出值0.0。

　　激活函数通常有以下一些性质。

　　非线性：当激活函数是非线性的时候，一个两层的神经网络就可以基本逼近所有的函数了。但是，如果激活函数是恒等激活函数时（f(x)=x），就不满足这个特性，假如多层感知器使用的是恒等激活函数，那么整个网络和单层神经网络是等价的。

　　可微性：当优化方法是基于梯度优化时，这个性质是必需的。

　　单调性：当激活函数是单调函数时，单层网络能够保证是凸函数。

　　f(x)≈x：当激活函数满足这个性质时，如果参数的初始化为很小的随机值，那么神经网络的训练将会很高效；如果不满足这个性质，那么就需要很用心地去设置初始值。

　　输出值的范围：当激活函数的输出值的范围有限的时候，基于梯度的优化方法会更加稳定，因为特征的表示受有限权值的影响更显著；当激活函数的输出值的范围无限的时候，模型的训练会更加高效，不过在这种情况下，一般需要更小的学习率。

　　既然激活函数具有这些特征，那么如何选择激活函数呢？传统上使用非线性激活函数。这允许网络以更复杂的方式组合输入，从而可以构建功能更丰富的模型。使用类似逻辑函数的非线性函数也称为sigmoid函数，它以s形分布输出0和1之间的值。双曲正切函数也称为tanh，它在-1到+1范围内输出相同的分布。最近，线性整流函数（ReLU）已被证明可以提供更好的结果，相比于sigmoid函数和tanh函数，ReLU只需要一个阈值就可以得到激活值，而不用去算一大堆复杂的运算。当然，ReLU也有缺点，就是训练的时候很“脆弱”，并且很容易失去作用。举个例子，一个非常大的梯度流过一个ReLU神经元，更新参数之后，这个神经元再也不会对任何数据有激活现象。如果这个情况发生了，那么这个神经元的梯度就永远都是0。
　　……

前言/序言

序言

2017年12月底的上海湿冷依旧，收到贞原《深度学习：基于Keras的Python实践》的初稿，心里升起一股暖意。人工智能（AI）在2017年可谓家喻户晓，智能医疗、智能金融及无人驾驶变得不再遥远，而其背后的深度学习尤为功不可没，机器学习（ML）是一种实现人工智能的方法，深度学习（DL）则是一种实现机器学习的技术。

国务院于2017年7月出台了《新一代人工智能发展规划》，首次从国家战略的角度阐述对人工智能在产业、技术应用层面的发展展望，并提出了明确的时间表和线路图，规划提到：

前瞻布局新一代人工智能重大科技项目。

到2030年，中国人工智能产业竞争力达到国际领先水平。

人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。

作为相关领域的从业者，深感任重道远，作为国家未来的发展方向，AI技术对于经济发展、产业转型和科技进步起着至关重要的作用，这里就不得不提“事情很多，人不够用了”，准确来讲应该是人工智能领域方面的专才不够用，据相关部门2017年的统计，此缺口应该在百万级以上。

配合国家发展战略，个别省份已经陆续将人工智能相关学习纳入中小学教育，而提到机器学习、深度学习，又不得不提Python，希望读者可以借鉴贞原的这本书为自己在人工智能的相关职业发展上打开一扇新的大门。

汤志阳（汤米）

IBM中国副合伙人

IBM客户创新中心认知及数据团队负责人

前言

深度学习是目前人工智能领域中炙手可热的一种机器学习技术。所谓人工智能是指通过机器模拟人类所特有的“看，听，说，想，学”等智能的科学技术。关于人工智能的研究起源于1956年，在美国的达特茅斯学院，著名的计算机科学家约翰.麦卡锡，及克劳德.艾尔伍德.香农等众多的科学家，齐聚一堂，各抒己见，共同探讨如何开发“智能机器”，在这次会议中提出了人工智能的概念，这也标志着人工智能的诞生。从人工智能的诞生，到深度学习的火热，人工智能也跌宕起伏经历了几个阶段，深度学习的发展一定会给产业和社会带来翻天覆地的变化。

人工智能的首次热潮是，1957年美国心理学家弗兰克?罗森布莱特在参照人脑的神经回路的基础上构建了最原始的信息处理系统，这一系统被称为神经网络。罗森布莱特将自己开发的神经网络系统命名为“感知器”。感知器实现了初级模型的识别功能，如区分三角形和四边形，并将其分类。然而，神经网络的研究很快遇到了瓶颈，美国AI科学家马文?李?明斯基运用数学理论证明了“感知器甚至不能理解异或运算”。这一发现使神经网络的研究热潮迅速冷却。

20世纪60～70年代，研究员投身于“符号处理型AI”的研究，又称“规则库AI”。“规则库AI”是直接模拟人类智能行为的一种研究。20世纪80年代前半期，全世界范围内投入了大量的资金用于“规则库AI”的研究，所开发的系统称为专家系统。然而，因为现实生活的时间充斥着大量的例外和各种细微的差距，最终几乎没有一个专家系统能够物尽其用。从20世纪80年代末期开始，AI研发进入一段很长时间的低迷期，被称为“AI的冬天”。

在AI黯然退场的这段时间里，一种全新理念的AI研究悄然萌芽，这就是将“统计与概率推理理论”引入AI系统。在这种全新的AI理念中，不得不提贝叶斯定理，这是用来描述两种概率之间转换关系的一则定理。1990年之后，全球的Internet有了发展，大量的数据被收集，这让概率式AI的发展如虎添翼。另外，概率式AI也存在问题和局限性，首先，概率式AI不能真正地理解事物。其次，概率式AI的性能有限。

为了解决概率式AI的问题与局限，新一代的AI技术走入了人们的视野，这就是“深度神经网络”，又叫作“深度学习”，原本衰退的神经网络技术浴火重生。早期的神经网络的感知器只有两层，即信息的输入层和输出层。而现在的神经网络则是多层结构，在输入层和输出层之间还存在多层重叠的隐藏层。

目前，深度学习被广泛地应用在图像识别、自然语言处理、自动驾驶等领域，并取得了很高的成就。同时，随着物联网技术的发展，大量的数据被收集，为深度学习提供了丰富的数据，对深度学习模型的建立提供了数据基础。有了充分的数据做基础，利用深度学习技术就能演绎出更聪明的算法。在这一次AI技术的浪潮中，大量的数据为深度学习提供了材料，使深度学习得以迅速发展。对深度学习的掌握也是每一个AI开发者必需的技能。希望本书能为读者开启通往深度学习的大门。

探索智能的边界：深度学习的力量与实践在人工智能浪潮席卷全球的今天，深度学习无疑是推动这场变革的核心技术。它模仿人脑神经网络的结构和功能，赋予计算机从海量数据中学习、识别、推理和创造的能力，正在以前所未有的速度重塑我们的世界。从智能语音助手到自动驾驶汽车，从精准医疗诊断到个性化内容推荐，深度学习的应用已经渗透到我们生活的方方面面，并持续展现出惊人的潜力和颠覆性的力量。本书旨在带领读者深入理解深度学习的奥秘，并掌握其核心工具和实践方法。我们不仅仅是介绍概念，更注重理论与实践的结合，让您能够真正地“动手”构建和训练属于自己的深度学习模型。我们将从深度学习的基石——神经网络——出发，逐步剖析其运作原理，并深入探讨各种先进的神经网络架构，如卷积神经网络（CNNs）在图像识别领域的卓越表现，循环神经网络（RNNs）在序列数据处理上的强大能力，以及Transformer模型如何重新定义自然语言处理的范式。神经网络的基石：感知机与多层感知机要理解复杂的深度学习模型，我们首先需要回溯到最基本的神经网络单元——感知机。感知机是人工神经网络的最早模型之一，它模拟了生物神经元接收信号、进行处理并产生输出的过程。虽然感知机本身的能力有限，但它是理解更复杂的神经网络架构的起点。我们将详细阐述感知机的数学模型，包括其输入、权重、激活函数和输出，以及如何通过学习算法（如感知机学习规则）来调整权重以实现分类任务。在此基础上，我们将进一步探讨多层感知机（MLP），也称为前馈神经网络。MLP通过将多个感知机层层堆叠，并引入非线性激活函数，极大地增强了模型的表达能力，使其能够解决更为复杂的问题。本书将深入分析MLP的结构，包括输入层、隐藏层和输出层，以及信息在网络中的传播方式。我们还会详细讲解反向传播算法，这是训练MLP的核心机制，它通过计算损失函数关于权重的梯度，并迭代更新权重，从而让网络“学习”到数据的模式。您将理解反向传播的数学原理，以及它在优化模型参数中的关键作用。卷积神经网络（CNNs）：洞察视觉世界的利器图像识别是深度学习最成功的应用领域之一，而卷积神经网络（CNNs）是实现这一突破的核心技术。CNNs的设计灵感来源于生物视觉皮层，它能够有效地从图像中提取局部特征，并逐层地构建出更高级别的抽象表示。本书将详细介绍CNNs的关键组成部分：卷积层（Convolutional Layer）：这是CNNs的灵魂。我们将深入讲解卷积操作的原理，包括卷积核（滤波器）的作用，如何通过卷积核在图像上滑动来提取特征，以及卷积操作的参数（如步长、填充）对提取特征的影响。您将理解卷积层如何捕捉图像中的边缘、纹理等基本视觉元素。池化层（Pooling Layer）：池化层用于降低特征图的维度，减少计算量，并增强模型的鲁棒性，使其对图像中的微小平移和变形不敏感。我们将重点介绍最大池化（Max Pooling）和平均池化（Average Pooling）两种常见的池化方式，并分析它们在特征降维和空间不变性方面的作用。全连接层（Fully Connected Layer）：在CNNs的后期，通常会引入全连接层，将提取到的高级特征进行整合，并最终输出分类结果。我们将解释全连接层如何接收来自卷积层和池化层的输出，并将其映射到最终的类别概率。通过对这些核心组件的深入讲解，您将能够理解CNNs是如何层层提取图像特征，最终实现高精度的图像分类、目标检测、图像分割等任务的。本书将通过具体的代码示例，演示如何构建和训练经典的CNNs模型，如LeNet、AlexNet、VGG、ResNet等，并讨论它们在不同视觉任务中的性能表现。循环神经网络（RNNs）：驾驭时序数据的智慧在自然语言处理、语音识别、时间序列分析等领域，数据往往具有内在的顺序性，即当前时刻的输出不仅依赖于当前输入，还与之前的历史信息有关。循环神经网络（RNNs）正是为处理这类时序数据而设计的。我们将深入探讨RNNs的核心思想：循环结构：RNNs最显著的特点是其内部的“循环”连接，允许信息在时间步之间传递。我们将详细解析RNNs的循环结构，以及隐藏状态（hidden state）如何存储和传递历史信息。梯度消失与梯度爆炸：虽然RNNs能够处理时序数据，但在训练过程中，它常常面临梯度消失（vanishing gradient）或梯度爆炸（exploding gradient）的问题，导致难以学习到长距离的依赖关系。我们将深入分析这些问题的原因，并介绍一些缓解策略。长短期记忆网络（LSTM）与门控循环单元（GRU）：为了克服标准RNNs的局限性，LSTM和GRU应运而生。我们将详细讲解LSTM的门控机制（输入门、遗忘门、输出门）和细胞状态（cell state），以及GRU的简化门控结构。您将理解这些门控单元如何有效地控制信息的流动，从而捕获长距离依赖关系，显著提升模型在序列建模任务上的性能。本书将通过实例，展示如何利用RNNs、LSTMs和GRUs来解决文本生成、机器翻译、情感分析、语音识别等问题。您将学习如何构建和训练这些模型，并深入理解它们在处理各种时序数据时的能力和局限性。 Transformer模型：重塑自然语言处理的范式近年来，Transformer模型以其强大的并行计算能力和卓越的性能，在自然语言处理（NLP）领域掀起了一场革命。Transformer模型完全摒弃了传统的循环和卷积结构，而是完全基于“注意力机制”（Attention Mechanism）。注意力机制：我们将重点阐述注意力机制的工作原理，特别是自注意力（Self-Attention）机制。您将理解注意力机制如何让模型在处理序列数据时，能够动态地聚焦于输入序列中最相关的部分，从而有效地捕捉长距离依赖关系，并解决信息丢失的问题。编码器-解码器架构：Transformer模型采用了编码器-解码器（Encoder-Decoder）的架构。我们将详细解析编码器和解码器的组成，以及它们如何协同工作来完成序列到序列（Seq2Seq）的任务，例如机器翻译。多头注意力（Multi-Head Attention）：为了增强模型的表达能力，Transformer模型采用了多头注意力机制，让模型能够从不同的表示子空间学习信息。位置编码（Positional Encoding）：由于Transformer模型本身不包含序列的顺序信息，因此需要引入位置编码来为输入序列中的每个词提供位置信息。本书将深入剖析Transformer模型的每一个组件，并解释其背后的数学原理。您将学习如何构建和应用Transformer模型来解决诸如机器翻译、文本摘要、问答系统等NLP任务。此外，我们还将介绍一些基于Transformer的预训练模型，如BERT、GPT系列等，以及它们在各种下游任务中展现出的惊人性能。模型训练与优化：从理论到实践的精进构建模型只是深度学习实践的第一步，如何有效地训练和优化模型同样至关重要。本书将深入探讨模型训练的各个环节：损失函数（Loss Function）：我们将介绍各种常用的损失函数，如交叉熵损失（Cross-Entropy Loss）用于分类任务，均方误差（Mean Squared Error）用于回归任务，并解释它们如何衡量模型的预测与真实值之间的差异。优化器（Optimizer）：我们不仅会详细介绍经典的优化算法，如随机梯度下降（SGD），还会深入探讨更先进的优化器，如Adam、RMSprop、Adagrad等，并分析它们在学习率调整、动量积累等方面的优势，以及如何选择最适合特定任务的优化器。正则化（Regularization）：为了防止模型过拟合（overfitting），我们将详细介绍各种正则化技术，包括L1和L2正则化、Dropout、早停（Early Stopping）等，并分析它们如何抑制模型复杂度，提高泛化能力。评估指标（Evaluation Metrics）：为了客观地评估模型的性能，我们将介绍各种常用的评估指标，如准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数、AUC等，并解释它们在不同任务场景下的意义。超参数调优（Hyperparameter Tuning）：超参数的设置对模型性能有着至关重要的影响。我们将介绍网格搜索（Grid Search）、随机搜索（Random Search）以及更高级的贝叶斯优化（Bayesian Optimization）等超参数调优技术，帮助您找到最优的模型配置。深度学习的应用场景与前沿探索深度学习的应用领域极其广泛，本书将精选几个具有代表性的应用场景进行深入剖析，并展示如何利用前面介绍的知识来解决实际问题。这些场景可能包括：图像识别与计算机视觉：人脸识别、物体检测、图像风格迁移、视频分析等。自然语言处理：智能问答、文本情感分析、机器翻译、对话系统、文本生成等。推荐系统：基于深度学习的个性化推荐算法。时间序列预测：股票价格预测、天气预报等。生成式模型：GANs（生成对抗网络）用于图像生成、文本生成等。除了这些成熟的应用领域，我们还将对深度学习的一些前沿方向进行简要介绍，例如：强化学习（Reinforcement Learning）：在游戏AI、机器人控制等领域的突破。图神经网络（Graph Neural Networks）：处理图结构数据的强大工具。联邦学习（Federated Learning）：在保护数据隐私的前提下进行模型训练。本书的内容设计力求循序渐进，从基础概念到高级模型，从理论推导到代码实践，力图为读者构建一个完整且深入的学习路径。我们相信，通过本书的学习，您将不仅能够理解深度学习的强大之处，更能够掌握将其应用于解决实际问题的能力，成为一名合格的深度学习实践者，开启探索智能边界的新旅程。

用户评价

评分☆☆☆☆☆

我是一名在校的计算机科学专业的学生，目前正在学习机器学习和人工智能的相关课程。在课堂上，老师讲解的深度学习理论虽然扎实，但总觉得有些抽象，缺少一些具象化的操作。恰好在这个时候，我发现了这本《深度学习：基于Keras的Python实践》。这本书的理论讲解非常系统，从最基础的感知机模型开始，循序渐进地引入了反向传播算法、激活函数、损失函数等关键概念。更让我惊喜的是，书中对于每个理论点都配有相应的Keras代码示例，这使得我能够立刻将抽象的数学公式转化为具体的程序实现，加深了对算法原理的理解。例如，在讲解BP算法时，书中的代码演示让我清晰地看到了权重是如何更新的，误差是如何逐层传播的。这种理论与实践相结合的学习方式，极大地提升了我的学习效率和兴趣。我已经迫不及待地想用它来完成我的课程项目了，相信这本书会成为我深度学习学习旅程中不可或缺的伙伴。

评分☆☆☆☆☆

我是一名初学者，对编程和人工智能都非常感兴趣，但之前从未接触过深度学习。在朋友的推荐下，我购买了这本《深度学习：基于Keras的Python实践》。一开始，我担心书中内容会过于专业，但我惊喜地发现，这本书的语言非常通俗易懂，即使是没有相关背景的读者也能轻松理解。作者用了很多生活中的例子来解释抽象的概念，比如将神经网络比作人脑的运作方式，将梯度下降比作下山的过程，这让我一下子就理解了那些复杂的数学原理。而且，书中提供了完整的Keras代码，我可以直接复制粘贴运行，看到模型一步步训练出来的结果，这种成就感是无与伦比的。我按照书中的指导，一步步搭建了一个简单的图像识别模型，成功识别出了我上传的照片，这让我对深度学习充满了信心。这本书真的为我打开了人工智能的大门，我非常感谢作者的用心。

评分☆☆☆☆☆

这本书的封面设计非常吸引人，深邃的蓝色背景搭配简洁的白色字体，让人立刻感受到科技的严谨与前沿。我本身是做数据分析的，一直对深度学习领域非常感兴趣，但苦于没有一个好的入门指导。在浏览书店时，无意中看到了这本书，当时就被书名和副标题吸引住了。“深度学习”这个概念本身就充满了神秘感和力量，“基于Keras的Python实践”则让它显得格外落地，不再是遥不可及的理论。我翻开书本，里面的排版清晰，章节划分逻辑性很强，即使是初学者也能很快找到自己的学习路径。虽然我还没来得及深入阅读，但从目录和部分章节的预览来看，这本书涵盖了深度学习的核心概念，从神经网络的基础知识到各种复杂的模型，比如卷积神经网络、循环神经网络等等，都有详尽的讲解。更重要的是，它强调了“实践”，通过Python和Keras这个流行的深度学习框架，将理论知识转化为实际的代码，这对我来说是至关重要的。我期待着能够跟随这本书，一步步搭建自己的深度学习模型，解决实际问题。

评分☆☆☆☆☆

从某种程度上说，一本好的技术书籍能够极大地影响一个人的学习轨迹。我一直以来对数据驱动的智能系统抱有浓厚的兴趣，也尝试过阅读一些关于机器学习的资料。但深度学习的壁垒总让我觉得难以跨越。直到我接触到《深度学习：基于Keras的Python实践》。这本书给我最大的感受是它的“完整性”和“实践性”。它不仅仅是罗列算法，而是将从数据预处理、模型构建、训练优化到最终部署的整个流程都贯穿其中。Keras框架的引入，让复杂的深度学习模型变得触手可及，很多原本需要大量代码才能实现的模型，在Keras中变得简洁明了。书中对各种主流深度学习模型的讲解，如CNN用于图像，RNN用于序列数据，以及近年来大放异彩的Transformer模型，都做到了深入浅出的分析。最令人印象深刻的是，作者在讲解过程中，始终紧密结合实际应用场景，使得学习过程不再枯燥，而是充满了解决问题的乐趣。这本书为我提供了一个系统性的学习框架，让我能够更有条理地去探索深度学习的广阔天地。

评分☆☆☆☆☆

作为一名已经从事人工智能研发工作数年的工程师，我一直在寻找一本能够帮助我巩固基础、拓展视野的深度学习书籍。市面上关于深度学习的书籍很多，但很多要么过于理论化，要么过于偏向某个特定框架的“调参指南”。这本《深度学习：基于Keras的Python实践》恰恰填补了我的需求。它在讲解深度学习的经典算法时，既有深入的数学推导，又不失工程实现的细节。Keras作为一种高级API，能够屏蔽很多底层复杂的细节，让我能更专注于模型的设计和优化。书中对于各种模型（如CNN、RNN、Transformer等）的讲解，不仅涵盖了它们的基本原理，还提供了丰富的应用场景和代码实例，让我能够快速上手，将这些先进的模型应用到我的实际工作中。此外，书中关于模型训练、评估、调优的部分也写得非常到位，这对于提升模型性能至关重要。我发现，即使是经验丰富的开发者，也能从中找到新的启发和有价值的信息。

评分☆☆☆☆☆

内容还可以，但细节不够。keras部分讲的还可以

评分☆☆☆☆☆

本书内容挺好的，适合研究这个领域的读一读，京东服务很好

评分☆☆☆☆☆

很不错的书，趁着活动入了好几本，哈哈，又有一段时间忙了。下次活动再来吧

评分☆☆☆☆☆

深度学习，非常经典的一本书，嗯，适合初学者，希望能有所收获

评分☆☆☆☆☆

简单易懂容易上手

评分☆☆☆☆☆

书很好，快递速度也快，称搞活动满减买的，很划算