# 好书推荐 ## 好书奇遇季 # 深度学习入门书《 Python 深度学习从零开始学》，京东当当天猫都有发售。 从模型和实验入手，快速掌握深度学习技术。

 

业内大咖强力推荐！！！ 武汉大学信息管理学院教授 卢龙，腾讯云区域解决方案平台部总经理 王刚，微软（中国）有限公司首席技术顾问 管震，百度智能云华南区解决方案总监 黄龙，腾讯云 AI 应用产品中心总监 施明，腾讯云最有价值专家 TVP ，微软最有价值专家 MVP 彭爱华，亚马逊云科技解决方案架构师 王华。

 

本书内容

 

本书共分 13 章，主要内容包括人工智能、机器学习和深度学习之间的关系，深度学习的环境搭建，深度学习的原理，深度学习框架 TensorFlow 和 Keras ，卷积神经网络相关知识，图像识别，情感分析，迁移学习，人脸识别，图像风格迁移，生成对抗网络等内容。本书从最简单的常识出发来切入 AI 领域，打造平滑和兴奋的学习体验。本书配套示例源码、 PPT 课件、数据集与答疑服务。

 

本书思路

 

深度学习如何高效入门可以说是 AI 领域老生常谈的一个问题了，一种路径是从传统的统计学习开始，然后跟着书上推公式学数学；另一种路径是从实验入手，毕竟深度学习是一门实验科学，通过学习深度学习框架 TensorFlow 和 Keras 以及具体的图像识别的任务入手。

对于想要快速出成果的同学来说，第一种方法是不推荐的，除非你的数学很强想去做一些偏理论的工作，对于大部分人来说还是从深度模型入手，以实验为主来学习比较合适。

本书立足实践，以通俗易懂的方式详细介绍深度学习的基础理论以及相关的必要知识，同时以实际动手操作的方式来引导读者入门人工智能深度学习。

 

本书读者

 

本书作为零基础入门书，既适合希望了解深度学习、使用深度学习框架快速上手的初学者和技术人员阅读，也适合作为高等院校和培训学校人工智能及相关专业的师生的实训教材。

 

本书作者

 

宋立桓 ， IT 资深技术专家，腾讯公司腾讯云解决方案架构师，主要负责为企业客户提供顾问咨询、培训和方案设计服务。之前服务于微软中国有限公司。目前专注于云计算 、大数据和人工智能，对区块链的相关技术也有深入的研究。著有图书《 Cloudera Hadoop 大数据平台实战指南》《 AI 制胜：机器学习极简入门》《 MySQL 性能优化和高可用架构实践》《云宇宙：互联网新未来》等。

 

推荐语

 

人工智能时代已经到来，深度学习是对人类思考和决策行为的仿真。我的校友宋立桓的这本书有助于初学者建立有用的深度学习直觉，降低人工智能入门的门槛，使得初学者快速上手，提高学习兴趣。

—— 卢龙    国家级人才称号获得者，美国耶鲁大学博士后， 武汉大学信息管理学院教授

 

在人工智能全面进入人类生活之时，世界各大科技巨头公司都在这个领域百花齐放、百家争鸣。深度学习是人工智能从概念提出到走向繁荣的主流实现技术 , 宋立桓以实战应用简述 AI ，每一位深度学习初学者都会开卷有益。

—— 王刚 腾讯云区域解决方案平台部总经理

 

如果你想往人工智能领域发展，并着手找一本书籍来完成入门的话，宋老师这本书值得推荐给你。我认识宋老师这么多年，他一直沉浸在前沿技术的实践中，这本书融入了他的技术心得，你能获得理论和实践的启迪。

—— 管震 微软（中国）有限公司首席技术顾问

 

深度学习让计算机可以像人一样不断学习，不断拥有新的智慧，为人类开启了人工智能的大门。宋老师的这本书能帮助读者快速上手，理解深度学习实战应用，是深度学习初学者的理想选择。

—— 黄龙 百度智能云华南区解决方案总监

 

AI 技术应用势头迅猛，优秀人才短缺，谁先转型，谁就占得职场先机。深度学习是人工智能研究中最前沿的领域，对于零基础小白，怎样快速入门深度学习呢？这本书适合非 AI 方向的零基础读者，书中理论与实践并行，大大降低深度学习的门槛，易于新手上手学习。

—— 施明 腾讯云 AI 应用产品中心总监

 

对于数字化来说，人工智能是重中之重，而初学者往往对诸如深度学习、机器学习技术望而生畏，摸不着门道。宋老师的这本书则是及时雨，能帮我们快速掌握打开人工智能大门的钥匙，书中不仅介绍了相关的理论和操作，还介绍了实际应用场景，推荐大家作为案头必备。

—— 彭爱华   腾讯云最有价值专家 TVP ，微软最有价值专家 MVP

 

深度学习是机器学习领域中非常热门的方向，宋老师这本书立足于快速上手，你无须具备深度学习相关的背景知识即可展开阅读。在学习完本书后，你将具备搭建自己的深度学习环境、建立图像识别模型等能力，并能够入门深度学习。

—— 王华 亚马逊云科技解决方案架构师

 

 

目    录

 第1章  人工智能、机器学习与深度学习简介1

1.1  什么是人工智能1

1.2  人工智能的本质2

1.3  人工智能相关专业人才的就业前景4

1.4  机器学习和深度学习5

1.4.1  什么是机器学习5

1.4.2  深度学习独领风骚7

1.4.3  机器学习和深度学习的关系和对比8

1.5  小白如何学深度学习10

1.5.1  关于两个“放弃”10

1.5.2  关于三个“必须”11

 第2章  深度学习开发环境搭建13

2.1  Jupyter Notebook极速入门13

2.1.1  什么是Jupyter Notebook13

2.1.2  如何安装和启动Jupyter Notebook14

2.1.3  Jupyter Notebook的基本使用16

2.2  深度学习常用框架介绍18

2.3  Windows环境下安装TensorFlow（CPU版本）和Keras19

2.4  Windows环境下安装TensorFlow（GPU版本）和Keras21

2.4.1  确认显卡是否支持CUDA21

2.4.2  安装CUDA22

2.4.3  安装cuDNN23

2.4.4  安装TensorFlow（GPU版本）和Keras24

2.5  Windows环境下安装PyTorch25

2.5.1  安装PyTorch（CPU版本）25

2.5.2  安装PyTorch（GPU版本）26

 第3章  Python数据科学库28

3.1  张量、矩阵和向量28

3.2  数组和矩阵运算库——NumPy29

3.2.1  列表和数组的区别29

3.2.2  创建数组的方法30

3.2.3  NumPy的算术运算30

3.2.4  数组变形31

3.3  数据分析处理库——Pandas32

3.3.1  Pandas数据结构Series32

3.3.2  Pandas数据结构DataFrame33

3.3.3  Pandas处理CSV文件34

3.3.4  Pandas数据清洗35

3.4  数据可视化库——Matplotlib37

 第4章  深度学习基础40

4.1  神经网络原理阐述40

4.1.1  神经元和感知器40

4.1.2  激活函数42

4.1.3  损失函数44

4.1.4  梯度下降和学习率45

4.1.5  过拟合和Dropout 46

4.1.6  神经网络反向传播法47

4.1.7  TensorFlow游乐场带你玩转神经网络48

4.2  卷积神经网络51

4.2.1  什么是卷积神经网络51

4.2.2  卷积神经网络详解52

4.2.3  卷积神经网络是如何训练的 54

4.3  卷积神经网络经典模型架构55

4.3.1  LeNet556

4.3.2  AlexNet59

4.3.3  VGGNet60

4.3.4  GoogLeNet61

4.3.5  ResNet63

 第5章  深度学习框架TensorFlow入门66

5.1  第一个TensorFlow的“Hello world”66

5.2  TensorFlow程序结构66

5.3  TensorFlow常量、变量、占位符68

5.3.1  常量68

5.3.2  变量69

5.3.3  占位符71

5.4  TensorFlow案例实战73

5.4.1  MNIST数字识别问题73

5.4.2  TensorFlow多层感知器识别手写数字74

5.4.3  TensorFlow卷积神经网络识别手写数字79

5.5  可视化工具TensorBoard的使用84

 第6章  深度学习框架Keras入门88

6.1  Keras架构简介88

6.2  Keras常用概念89

6.3  Keras创建神经网络基本流程90

6.4  Keras创建神经网络进行泰坦尼克号生还预测 93

6.4.1  案例项目背景和数据集介绍93

6.4.2  数据预处理96

6.4.3  建立模型97

6.4.4  编译模型并进行训练97

6.4.5  模型评估98

6.4.6  预测和模型的保存99

6.5  Keras创建神经网络预测银行客户流失率100

6.5.1  案例项目背景和数据集介绍100

6.5.2  数据预处理102

6.5.3  建立模型103

6.5.4  编译模型并进行训练104

6.5.5  模型评估105

6.5.6  模型优化——使用深度神经网络辅以Dropout正则化106

 第7章  数据预处理和模型评估指标108

7.1  数据预处理的重要性和原则108

7.2  数据预处理方法介绍109

7.2.1  数据预处理案例——标准化、归一化、二值化109

7.2.2  数据预处理案例——缺失值补全、标签化111

7.2.3  数据预处理案例——独热编码113

7.2.4  通过数据预处理提高模型准确率114

7.3  常用的模型评估指标115

 第8章  图像分类识别121

8.1  图像识别的基础知识121

8.1.1  计算机是如何表示图像121

8.1.2  卷积神经网络为什么能称霸计算机图像识别领域122

8.2  实例一：手写数字识别125

8.2.1  MNIST手写数字识别数据集介绍125

8.2.2  数据预处理126

8.2.3  建立模型127

8.2.4  进行训练129

8.2.5  模型保存和评估130

8.2.6  进行预测130

8.3  实例二：CIFAR-10图像识别130

8.3.1  CIFAR-10图像数据集介绍131

8.3.2  数据预处理132

8.3.3  建立模型132

8.3.4  进行训练133

8.3.5  模型评估135

8.3.6  进行预测135

8.4  实例三：猫狗识别137

8.4.1  猫狗数据集介绍137

8.4.2  建立模型139

8.4.3  数据预处理140

8.4.4  进行训练141

8.4.5  模型保存和评估142

8.4.6  进行预测143

8.4.7  模型的改进优化144

 第9章  IMDB电影评论情感分析148

9.1  IMDB电影数据集和影评文字处理介绍148

9.2  基于多层感知器模型的电影评论情感分析152

9.2.1  加入嵌入层152

9.2.2  建立多层感知器模型152

9.2.3  模型训练和评估153

9.2.4  预测155

9.3  基于RNN模型的电影评论情感分析157

9.3.1  为什么要使用RNN模型157

9.3.2  RNN模型原理158

9.3.3  使用RNN模型进行影评情感分析159

9.4  基于LSTM模型的电影评论情感分析159

9.4.1  LSTM模型介绍160

9.4.2  使用LTSM模型进行影评情感分析161

 第10章  迁移学习162

10.1  迁移学习简介162

10.2  什么是预训练模型163

10.3  如何使用预训练模型164

10.4  在猫狗识别的任务上使用迁移学习165

10.5  在MNIST手写体分类上使用迁移学习168

10.6  迁移学习总结171

 第11章  人脸识别实践172

11.1  人脸识别172

11.1.1  什么是人脸识别172

11.1.2  人脸识别的步骤173

11.2  人脸检测和关键点定位实战176

11.3  人脸表情分析情绪识别实战180

11.4  我能认识你——人脸识别实战184

 第12章  图像风格迁移188

12.1  图像风格迁移简介188

12.2  使用预训练的VGG16模型进行风格迁移191

12.2.1  算法思想191

12.2.2  算法细节192

12.2.3  代码实现194

12.3  图像风格迁移总结201

 第13章  生成对抗网络202

13.1  什么是生成对抗网络202

13.2  生成对抗网络算法细节204

13.3  循环生成对抗网络206

13.4  利用CycleGAN进行图像风格迁移209

13.4.1  导入必要的库210

13.4.2  数据处理210

13.4.3  生成网络212

13.4.4  判别网络214

13.4.5  整体网络结构的搭建215

13.4.6  训练代码217

13.4.7  结果展示219

后记  进一步深入学习220