本書立足實踐，以通俗易懂的方式詳細介紹深度學習的基礎理論以及相關的必要知識，同時以實際動手操作的方式來引導讀者入門人工智能深度學習。本書的讀者只需具備Python語言基礎知識，不需要有數學基礎或者AI基礎，按照本書的內容循序漸進地學習，即可快速上手深度學習。本書配套示例源碼、PPT課件、數據集、開發環境與答疑服務。 本書共分13章，主要內容包括人工智能、機器學習和深度學習之間的關係、深度學習的環境搭建、深度學習的原理、深度學習框架TensorFlow和Keras、卷積神經網絡相關知識、圖像識別、情感分析、遷移學習、人臉識別、圖像風格遷移、生成對抗網絡等內容。本書從簡單的常識出發來切入AI領域，打造平滑和興奮的學習 體驗。 本書作為零基礎入門書，既適合希望了解深度學習、使用深度學習框架快速上手的初學者和技術人員閱讀，也適合作為高等院校和培訓學校人工智能及相關專業的師生的實訓教材。
宋立桓
IT資深技術專家，騰訊公司騰訊云解決方案架構師，主要負責為企業客戶提供顧問咨詢、培訓和方案設計服務。之前服務於微軟中國有限公司。目前專注於云計算 、大數據和人工智能，對區塊鏈的相關技術也有深入的研究。
著有圖書《Cloudera Hadoop大數據平臺實戰指南》《AI制勝：機器學習極簡入門》《MySQL性能優化和高可用架構實踐》等。
本書以通俗易懂的方式詳細介紹深度學習的基礎理論及其相關知識，同時提供圖像識別、情感分析、遷移學習、人臉識別、圖像風格遷移、生成對抗網絡等案例引導讀者入門深度學習。
?馬克 "庫班（NBA小牛隊老闆，億萬富翁）說過，“人工智能、深度學習和機器學習，不論你現在是否能夠理解這些概念，你都應該學習。否則三年內，你就會像被滅絕的恐龍一樣被社會淘汰。”
馬克 "庫班的這番話可能聽起來挺嚇人的，但道理是沒毛病的！我們正經歷一場大革命，這場革命就是由大資料和強大的計算機計算能力發起的。2016年3月，震驚世界的AlphaGo以4:1的成績戰勝李世石，讓越來越多的人瞭解到人工智能的魅力，也讓更多的人加入深度學習的研究。
然而普通的程序員想要快速入門深度學習，就需要使用簡單易懂的框架，自從Google公司開源了TensorFlow深度學習框架，深度學習這門技術便成為廣大開發者實用的技術。而Keras框架使得編寫神經網絡模型更簡單、更高效。
深度學習如何高效入門可以說是AI領域老生常談的一個問題了，一種路徑是從傳統的統計學習開始，然後跟著書上推公式學數學；另一種路徑是從實驗入手，畢竟深度學習是一門實驗科學，可以通過學習深度學習框架TensorFlow和Keras以及具體的圖像識別的任務入手。對於想要快速出成果的同學來說，種方法是不推薦的，除非你的數學很強想去做一些偏理論的工作，對於大部分人來說還是從深度模型入手，以實驗為主來學習比較合適。
本書立足實踐，以通俗易懂的方式詳細介紹深度學習的基礎理論以及相關的必要知識，同時以實際動手操作的方式來引導讀者入門人工智能深度學習。
示例源碼、PPT課件、資料集、開發環境與答疑服務
本書提供示例源碼、PPT課件、資料集與開發環境，需用微信掃描右邊的二維碼，按掃描出來的頁面提示填寫自己的郵箱，把連結轉發到郵箱中進行下載。歡迎讀者發郵件和作者互動，作者答疑郵箱為booksaga@163.com，郵件主題為“Python深度學習從零開始學”。
本書適合的讀者
閱讀本書的讀者，需要具備Python語言基礎知識。只要你想改變自己的現狀，那麼這本書就非常適合你。本書就是給那些非科班出身而想半路“殺進”人工智能領域的程序員們，提供快速上手的參考指南。
致謝
感謝我的妻子和女兒、你們是我心靈的港灣！
感謝我的父母，你們一直在默默地支持者我！
感謝我的朋友和同事，相互學習的同時彼此欣賞！
感謝清華大學出版社的老師們幫助我出版了這本有意義的著作。
萬事開頭難，只有打開了一扇窗戶，才能發現一個全新的世界。這本書就能幫助新人打開深度學習的這扇門，讓更多的人享受到人工智能時代到來的紅利。
宋立桓
騰訊雲解決方案架構師
雲計算、大資料、人工智能諮詢顧問
2022年4月
第1章 人工智能、機器學習與深度學習簡介1
1.1 什麼是人工智能1
1.2 人工智能的本質2
1.3 人工智能相關專業人才的就業前景4
1.4 機器學習和深度學習5
1.4.1 什麼是機器學習5
1.4.2 深度學習獨領風騷7
1.4.3 機器學習和深度學習的關係和對比8
1.5 小白如何學深度學習10
1.5.1 關於兩個“放棄”10
1.5.2 關於三個“必須”11
第2章 深度學習開發環境搭建13
2.1 Jupyter Notebook極速入門13
2.1.1 什麼是Jupyter Notebook13
2.1.2 如何安裝和啟動Jupyter Notebook14
2.1.3 Jupyter Notebook的基本使用16
2.2 深度學習常用框架介紹18
2.3 Windows環境下安裝TensorFlow（CPU版本）和Keras19
2.4 Windows環境下安裝TensorFlow（GPU版本）和Keras21
2.4.1 確認顯卡是否支持CUDA21
2.4.2 安裝CUDA22
2.4.3 安裝cuDNN23
2.4.4 安裝TensorFlow（GPU版本）和Keras24
2.5 Windows環境下安裝PyTorch25
2.5.1 安裝PyTorch（CPU版本）25
2.5.2 安裝PyTorch（GPU版本）26
第3章 Python資料科學庫28
3.1 張量、矩陣和向量28
3.2 陣列和矩陣運算庫——NumPy29
3.2.1 清單和陣列的區別29
3.2.2 創建陣列的方法30
3.2.3 NumPy的算數運算30
3.2.4 陣列變形31
3.3 資料分析處理庫——Pandas32
3.3.1 Pandas資料結構Series32
3.3.2 Pandas資料結構DataFrame33
3.3.3 Pandas處理CSV檔34
3.3.4 Pandas資料清洗35
3.4 數據可視化庫——Matplotlib37
第4章 深度學習基礎40
4.1 神經網絡原理闡述40
4.1.1 神經元和感知器40
4.1.2 啟動函數42
4.1.3 損失函數44
4.1.4 梯度下降和學習率45
4.1.5 過擬合和Dropout 46
4.1.6 神經網絡反向傳播法47
4.1.7 TensorFlow遊樂場帶你玩轉神經網絡48
4.2 卷積神經網絡51
4.2.1 什麼是卷積神經網絡51
4.2.2 卷積神經網絡詳解52
4.2.3 卷積神經網絡是如何訓練的 54
4.3 卷積神經網絡經典模型架構55
4.3.1 LeNet556
4.3.2 AlexNet59
4.3.3 VGGNet60
4.3.4 GoogLeNet61
4.3.5 ResNet63
第5章 深度學習框架TensorFlow入門66
5.1 個TensorFlow的“Hello world”66
5.2 TensorFlow程式結構66
5.3 TensorFlow常量、變數、預留位置68
5.3.1 常量68
5.3.2 變數69
5.3.3 預留位置71
5.4 TensorFlow案例實戰73
5.4.1 MNIST數字識別問題73
5.4.2 TensorFlow多層感知器識別手寫數字74
5.4.3 TensorFlow卷積神經網絡識別手寫數字79
5.5 可視化工具TensorBoard的使用84
第6章 深度學習框架Keras入門88
6.1 Keras架構簡介88
6.2 Keras常用概念89
6.3 Keras創建神經網絡基本流程90
6.4 Keras創建神經網絡進行泰坦尼克號生還預測 93
6.4.1 案例項目背景和資料集介紹93
6.4.2 資料預處理96
6.4.3 建立模型97
6.4.4 編譯模型並進行訓練97
6.4.5 模型評估98
6.4.6 預測和模型的保存99
6.5 Keras創建神經網絡預測銀行客戶流失率100
6.5.1 案例項目背景和資料集介紹100
6.5.2 資料預處理102
6.5.3 建立模型103
6.5.4 編譯模型並進行訓練104
6.5.5 模型評估105
6.5.6 模型優化——使用深度神經網絡輔以Dropout正則化106
第7章 資料預處理和模型評估指標108
7.1 資料預處理的重要性和原則108
7.2 資料預處理方法介紹109
7.2.1 資料預處理案例——標準化、歸一化、二值化109
7.2.2 數據預處理案例——缺失值補全、標籤化111
7.2.3 資料預處理案例——獨熱編碼113
7.2.4 通過資料預處理提高模型準確率114
7.3 常用的模型評估指標115
第8章 圖像分類識別121
8.1 圖像識別的基礎知識121
8.1.1 計算機是如何表示圖像121
8.1.2 卷積神經網絡為什麼能稱霸計算機圖像識別領域122
8.2 實例一：手寫數字識別125
8.2.1 MNIST手寫數字識別資料集介紹125
8.2.2 資料預處理126
8.2.3 建立模型127
8.2.4 進行訓練129
8.2.5 模型保存和評估130
8.2.6 進行預測130
8.3 實例二：CIFAR-10圖像識別130
8.3.1 CIFAR-10圖像資料集介紹131
8.3.2 資料預處理132
8.3.3 建立模型132
8.3.4 進行訓練133
8.3.5 模型評估135
8.3.6 進行預測135
8.4 實例三：貓狗識別137
8.4.1 貓狗資料集介紹137
8.4.2 建立模型139
8.4.3 資料預處理140
8.4.4 進行訓練141
8.4.5 模型保存和評估142
8.4.6 進行預測143
8.4.7 模型的改進優化144
第9章 IMDB電影評論情感分析148
9.1 IMDB電影資料集和影評文字處理介紹148
9.2 基於多層感知器模型的電影評論情感分析152
9.2.1 加入嵌入層152
9.2.2 建立多層感知器模型152
9.2.3 模型訓練和評估153
9.2.4 預測155
9.3 基於RNN模型的電影評論情感分析157
9.3.1 為什麼要使用RNN模型157
9.3.2 RNN模型原理158
9.3.3 使用RNN模型進行影評情感分析159
9.4 基於LSTM模型的電影評論情感分析159
9.4.1 LSTM模型介紹160
9.4.2 使用LTSM模型進行影評情感分析161
第10章 遷移學習162
10.1 遷移學習簡介162
10.2 什麼是預訓練模型163
10.3 如何使用預訓練模型164
10.4 在貓狗識別的任務上使用遷移學習165
10.5 在MNIST手寫體分類上使用遷移學習168
10.6 遷移學習與總結171
第11章 人臉識別實踐172
11.1 人臉識別172
11.1.1 什麼是人臉識別172
11.1.2 人臉識別的步驟173
11.2 人臉檢測和關鍵點定位實戰176
11.3 人臉表情分析情緒識別實戰180
11.4 我能認識你——人臉識別實戰184
第12章 圖像風格遷移188
12.1 圖像風格遷移簡介188
12.2 使用預訓練的VGG16模型進行風格遷移191
12.2.1 算法思想191
12.2.2 算法細節192
12.2.3 代碼實現194
12.3 圖像風格遷移總結201
第13章 生成對抗網絡202
13.1 什麼是生成對抗網絡202
13.2 生成對抗網絡算法細節204
13.3 迴圈生成對抗網絡206
13.4 利用CycleGAN進行圖像風格遷移209
13.4.1 導入必要的庫210
13.4.2 資料處理210
13.4.3 生成網絡212
13.4.4 判別網絡214
13.4.5 整體網絡結構的搭建215
13.4.6 訓練代碼217
13.4.7 結果展示219
後記 進一步深入學習220
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。
