百度网盘
链接：https://pan.baidu.com/s/1WOAfraS5Y56247A8oDUPgg
提取码：pfo3
复制这段内容后打开百度网盘手机App，操作更方便哦
内容简介 · · · · · ·
本书由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱（François Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，涉及计算机视觉、自然语言处理、生成式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化，读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。
目录 · · · · · ·
第一部分 深度学习基础
第1章 什么是深度学习 2
1.1 人工智能、机器学习与深度学习 2
1.1.1 人工智能 3
1.1.2 机器学习 3
1.1.3 从数据中学习表示 4
1.1.4 深度学习之“深度” 6
1.1.5 用三张图理解深度学习的工作原理 7
1.1.6 深度学习已经取得的进展 9
1.1.7 不要相信短期炒作 9
1.1.8 人工智能的未来 10
1.2 深度学习之前：机器学习简史 11
1.2.1 概率建模 11
1.2.2 早期神经网络 11
1.2.3 核方法 12
1.2.4 决策树、随机森林与梯度提升机 13
1.2.5 回到神经网络 14
1.2.6 深度学习有何不同 14
1.2.7 机器学习现状 15
1.3 为什么是深度学习，为什么是现在 15
1.3.1 硬件 16
1.3.2 数据 17
1.3.3 算法 17
1.3.4 新的投资热潮 17
1.3.5 深度学习的大众化 18
1.3.6 这种趋势会持续吗 18
第2章 神经网络的数学基础 20
2.1 初识神经网络 20
2.2 神经网络的数据表示 23
2.2.1 标量（0D张量） 23
2.2.2 向量（1D张量） 24
2.2.3 矩阵（2D张量） 24
2.2.4 3D张量与更高维张量 24
2.2.5 关键属性 25
2.2.6 在Numpy中操作张量 26
2.2.7 数据批量的概念 27
2.2.8 现实世界中的数据张量 27
2.2.9 向量数据 27
2.2.10 时间序列数据或序列数据 28
2.2.11 图像数据 28
2.2.12 视频数据 29
2.3 神经网络的“齿轮”：张量运算 29
2.3.1 逐元素运算 30
2.3.2 广播 31
2.3.3 张量点积 32
2.3.4 张量变形 34