本书为软件工程师和数据科学家而编写，书中简明而全面地介绍了目前的神经网络和深度学习技术。全书展示了基于Keras框架、以Python编码的20多种有效的神经网络。 你将从本书中学到以下内容： 在大型神经网络上使用反向传播算法逐步优化函数 微调神经网络以改进结果质量 使用深度学习进行图像和音频处理 在特定的案例中使用递归神经张量网络（RNTN）以取得比标准词嵌入更好的效果 识别循环神经网络（RNN）适于解决的问题 探索自动编码机的实现过程 使用强化学习增强深层神经网络 全书通俗易懂，强调实际案例，适合广大的机器学习从业者和爱好者入门与实践。

特别说明：购买此电子书，暂无视频，敬请谅解。

　　作为一kuan轻量级、模块化的开源深度学习框架，Keras以容易上手、利于快速原型实现、能够与TensorFlow和Theano等后端计算平台很好兼容等优点，深受众多开发人员和研究人员的喜爱。 本书结合大量实例，简明扼要地介绍了目前热门的神经网络技术和深度学习技术。从经典的多层感知机到用于图像处理的深度卷积网络，从处理序列化数据的循环网络到伪造仿真数据的生成对抗网络，从词嵌入到AI游戏应用中的强化学习，本书引ling读者一层一层揭开深度学习的面纱，并在逐渐清晰的理论框架下，提供多个Python编码实例，方便读者动手实践。 通过阅读本书，读者不仅能学会使用Keras快捷构建各个类型的深度网络，还可以按需自定义网络层和后端功能，从而提升自己的AI编程能力，在成为深度学习专家的路上更进一步。

　　作者简介 Antonio Gulli是企业领导和软件部门高管，具备创新精神和执行力，并乐于发现和管理全球高科技人才。他是搜索引擎、在线服务、机器学习、信息检索、数据分析以及云计算等多方面的专家。他幸运地拥有欧洲4个不同国家的工作经验，并管理过来自欧洲和美国6个不同国家的员工。Antonio在出版业（Elsevier）、消费者互联网（Ask.com 和Tiscali）以及高科技研发（微软和谷歌）等多个跨度的行业里历任CEO、GM、CTO、副总裁、总监及区域主管。 Sujit Pal是Elsevier Labs技术研发主管，致力于构建围绕研发内容和元数据的智能系统。他的主要兴趣包括信息检索、本体论、自然语言处理、机器学习，以及分布式处理。他现在的工作是利用深度学习模型对图像进行分类和相似度识别。在此之前，他在卫生保健行业工作，帮助构建基于本体论的语义搜索、关联广告，以及EMR数据处理平台。他在他的博客Salmon Run上发表技术文章。 译者简介　　 王海玲，大学毕业于吉林大学计算机系，从小喜爱数学，曾获得华罗庚数学竞赛全国二等奖。拥有世界500强企业多年研发经验。作为项目骨干成员，参与过美国惠普实验室机器学习项目。 　　 李昉，毕业于东北大学自动化系，大学期间曾获得“挑战杯”全国一等奖。拥有世界500强企业多年研发经验，随后加入互联网创业公司。2013年开始带领研发团队将大数据分析运用于“预订电商”价格分析预测（《IT经理世界》2013年第6期）。现在中体彩彩票运营公司负责大数据和机器学习方面的研发。同时是集智俱乐部成员，参与翻译人工智能图书《Deep Thinking》。 中文版审校者简介 于立国，现任国美大数据研究院研发总监，曾任知名上市互联网广告公司——品众互动研发总监，也曾在Adobe数字化营销部门担任负责人，对大数据、人工智能、互联网广告领域深有研究。

本书赞誉
作者简介
英文版审稿人简介
译者简介
中文版审校者简介
前言
资源与支持
第1章 神经网络基础
1.1 感知机
1.2 多层感知机——第一个神经网络的示例
1.3 实例——手写数字识别
1.4 一种实用的反向传播概述
1.5 走向深度学习之路
1.6 小结
第2章 Keras安装和API
2.1 安装Keras
2.2 配置Keras
2.3 在Docker上安装Keras
2.4 在谷歌Cloud ML上安装Keras
2.5 在亚马逊AWS上安装Keras
2.6 在微软Azure上安装Keras
2.7 Keras API
2.8 自定义训练过程的回调函数
2.9 小结
第3章 深度学习之卷积网络
3.1 深度卷积神经网络——DCNN
3.2 DCNN示例——LeNet
3.3 用深度学习网络识别CIFAR-10图像
3.4 用于大型图片识别的极深度卷积网络
3.5 小结
第4章 生成对抗网络和WaveNet
4.1 什么是生成对抗网络
4.2 深度卷积生成对抗网络
4.3 用Keras adversarial生成MNIST数据
4.4 用Keras adversarial生成CIFAR数据
4.5 WaveNet——一个学习如何产生音频的生成模型
4.6 小结
第5章 词嵌入
5.1 分布式表示
5.2 word2vec
5.3 探索GloVe
5.4 使用预训练好的词向量
5.5 小结
第6章 循环神经网络——RNN
6.1 SimpleRNN单元
6.2 RNN拓扑结构
6.3 梯度消失和梯度爆炸
6.4 长短期记忆网络——LSTM
6.5 门控循环单元——GRU
6.6 双向RNN
6.7 有状态RNN
6.8 其他RNN变体
6.9 小结
第7章 其他深度学习模型
7.1 Keras函数API
7.2 回归网络
7.3 无监督学习——自动编码器
7.4 构造深度网络
7.5 自定义Keras
7.6 生成模型
7.7 小结
第8章 游戏中的AI
8.1 强化学习
8.2 示例——用Keras深度Q网络实现捕捉游戏
8.3 未来之路
8.4 小结
第9章 结束语
9.1 Keras 2.0——新特性

　　绕开晦涩的理论和艰深的数学逻辑，你可以像搭建乐高积木一样搭建自己的深度学习模型，是不是很神奇呢？这就是Keras框架带给我们的乐趣。而本书作为一本展现诸多实现细节的指导书，定会成为你桌头案边的亲密伙伴。
　　——云从科技副总裁 张立


　　Keras是深度学习领域受欢迎的框架之一。译者李昉一直在集智俱乐部参与学术文章的翻译工作。本书的出版对有志于了解、学习深度学习的读者来说是一个非常好的消息。
　　——北京师范大学系统科学学院教授，博士生导师，集智俱乐部、AI学园创始人，腾讯研究院、阿里研究院、网络智库专家 张江

　　很高兴看到这本书中文译本的出版。本书译者都曾在我的培训班学习，他们为此付出很多时间。如果你了解一些深度学习理论，如果你想快速构建自己的应用，那么这本书无疑可以给你提供巨大的帮助。
　　——炼数成金创始人、首席科学家 黄志洪


　　Keras为支持快速实验而生，这个基于模块化和易扩展性的API一直以“user friendly”著称。作者Antonio Gulli作为谷歌在机器学习领域重量级专家之一，发表过很多篇有行业影响力的专业论述。本书是一本实用操作手册，译者也是深耕机器学习领域的先行者和实践者，强烈推荐给所有致力于在此领域摸索和创新的从业者。
　　——上海前隆信息科技有限公司数据中心总监 苏波

　　本书以由浅入深、由原理到场景的方式介绍了深度学习框架Keras的应用。通过基础神经网络到复杂模型的深度剖析，配以丰富的实例展示，让每一位读者都能深刻地体会到Keras及深度学习的魅力。本书的中文译本忠实于英文原著，讲解详尽，内容充实，是每一位深度学习的技术爱好者必读的书目，也是每一位Keras爱好者的常备宝典。
　　——Splunk系统架构师 张天犁

　　前言
　　本书特为软件工程师和数据科学家编写，书中简明而全面地介绍了目前的神经网络、人工智能和深度学习技术。
　　本书的目标
　　这本书展示了基于Keras框架、以Python编码的20多种有效的神经网络。Keras是一个模块化的神经网络库，它能运行于谷歌的TensorFlow和Lisa实验室的Theano的后端之上。
　　本书循序渐进地介绍了简单线性回归、传统多层感知机，以及更复杂的深度卷积网络和生成对抗网络等监督学习算法。另外，本书还介绍了自动感知机和生成式网络等非监督学习算法，并详细阐述了回归网络和长短期记忆网络（LSTM）。本书后续章节将陆续介绍Keras的各种函数API，以及用户实例在现有的丰富的函数库没有涵盖的情况下，如何自定义Keras。本书还探讨了用前面提到的模块构造更大型、更复杂的系统。本书最后介绍了深度强化学习和如何应用其构建游戏AI。
　　练习的应用程序代码包括新闻分类、文本句法分析、情感分析、人工文本合成，以及语音标注。我们也探讨了图像处理技术，包括如何识别手写数字图像、图像的自动归类，以及基于相关图像注释的高级对象识别。我们还提供了一个面部凸点检测识别的实例。声音识别包括了对来自不同讲话者的离散语音识别。强化学习则被用来构建一个可以自主玩游戏的深度Q学习网络。
　　实验是本书的核心，通过多个变量改变输入的参数、网络模型、损失函数和优化算法，我们得以逐步改进神经网络的学习性能。我们还会比较不同CPU和GPU运行条件下的训练效率。
　　深度学习和机器学习、人工智能的区别
　　人工智能是一个非常广泛的研究领域，主要研究如何让机器表现出人类的认知能力，例如学习行为、和环境的主动交互、演绎推理、计算机视觉、语音识别、问题解决、知识展现、感知能力等（更多信息请参考《Artificial Intelligence: A Modern Approach》，作者S. Russell和P. Norvig，Prentice Hall，2003）。通俗来讲，人工智能就是任何让机器模仿人类的智能行为的技术。人工智能从计算机科学、数学和统计学等学科中获得了很大的启发。
　　机器学习是人工智能的一个分支，主要研究如何使机器在不必额外编程的情况下，学会执行特定任务（更多信息请参考《Pattern Recognition and Machine Learning》，作者C. M. Bishop，Springer，2006）。事实上，机器学习的核心思想在于可以通过创建算法让机器通过数据进行学习并预测数据。现在的机器学习有3个大的分类：第一种是监督学习，机器通过已知的输入和对应的预期输出进行样本训练，以对全新的未知数据进行有意义的预测；第二种是无监督学习，机器只能通过输入的数据，在没有外界监督的情况下自己发现有意义的结构；第三种是强化学习，机器作为同环境进行交互的代理，学习哪些行为能获得奖赏。
　　深度学习是利用人工神经网络进行机器学习的方法论里的一个特定子集，如图0.1所示。而人工神经网络的灵感来自于人类大脑神经元的结构（更多信息请参考文章《Learning Deep Architectures for AI》，作者Y. Bengio，Found. Trends，vol. 2，2009）。非正式地讲，deep这个词通常指的是人工神经网络中存在多个层次，但这种说法已随着时间的推移而改变。4年前，10层就是一个很高效的深度学习网络，而今天，至少几百层的网络才被认为是深度的。
　　深度学习对机器学习来说是一次真正的海啸（更多信息请参考《Computational Linguistics and Deep Learning》，作者C.D.Manning，Computational Linguistics，vol. 41，2015），它虽然只有相对较少的巧妙的方法，却被成功地应用到非常多的不同的领域（图像、文本、视频、语音和视觉），显著改进了过去几十年的技术发展水平。深度学习的成功还因为现在有了更多的可用于训练的数据（如来自ImageNet的图像），以及可用于高效数值计算的相对低廉、可用的GPU。谷歌、微软、亚马逊、苹果、脸书，以及其他很多公司每天都在应用这种深度学习技术进行大量的数据分析。目前，此类专项工作不再局限于纯学术研究领域以及大型工业化公司，它已经成为软件产业里一个不可分割的部分，读者应该对此有所掌握。本书不要求特定的数学背景知识，但我们将假设读者是一个Python程序员。
　　本书涵盖的内容
　　第1章，神经网络基础，讲述神经网络的基础知识。
　　第2章，Keras安装和API，展示如何在AWS、Microsoft Azure、Google Cloud，以及你自己的机器上安装Keras，并提供对Keras API的概览。
　　第3章，深度学习之卷积网络，介绍卷积网络的概念。这是深度学习的一个重要创新，最初的构想是为了图像处理，但现在在文本、视频和语音等多领域都有成功的应用。
　　第4章，生成对抗网络和WaveNet，介绍了利用生成对抗网络来合成如同人类自己产生的数据。我们还会介绍WaveNet，这是一个可用于生成高质量人类语音以及乐器音的深度神经网络。
　　第5章，词嵌入，讨论词向量相关的一套深度学习方法，用于检测词汇和相似语义词汇组的关系。
　　第6章，循环神经网络RNN，讲述循环神经网络的技术和应用，这是一类优化过的用于处理文本等序列化数据的网络。
　　第7章，其他深度学习模型，简要介绍Keras API、回归网络，以及自动编码机等。
　　第8章，游戏中的AI，教你如何进行深度强化学习，以及如何用Keras构建基于奖赏反馈的街机游戏玩儿法的深度学习网络。
　　第9章，结束语，快速回顾本书内容，并向用户介绍Keras 2.0的新特性。
　　本书的阅读前提
　　为了让您流畅地阅读各个章节，你需要准备以下软件：
　　TensorFlow 1.0.0或者更高版本；
　　Keras 2.0.2或者更高版本；
　　Matplotlib 1.5.3或者更高版本；
　　Scikit-learn 0.18.1或者更高版本；
　　NumPy 1.12.1或者更高版本。
　　推荐硬件清单如下：
　　32位或者64位架构；
　　2GHz以上CPU；
　　4GB RAM；
　　至少10GB硬盘空间。
　　本书的目标读者
　　如果您是有经验的机器学习数据科学家或者有过神经网络实践的人工智能程序员，您会发现这是一本很好的关于Keras深度学习的入门教材。
　　阅读本书需要一些Python的知识。
　　资源与支持
　　本书由异步社区出品，社区（https://www.epubit.com/）为您提供相关资源和后续服务。
　　配套资源
　　本书提供如下资源：
　　本书源代码；
　　书中彩图文件。
　　要获得以上配套资源，请在异步社区本书页面中点击，跳转到下载界面，按提示进行操作即可。注意：为保证购书读者的权益，该操作会给出相关提示，要求输入提取码进行验证。
　　提交勘误
　　作者和编辑尽最大努力来确保书中内容的准确性，但难免会存在疏漏。欢迎您将发现的问题反馈给我们，帮助我们提升图书的质量。
　　当您发现错误时，请登录异步社区，按书名搜索，进入本书页面，单击“提交勘误”，输入勘误信息，点击“提交”按钮即可。本书的作者和编辑会对您提交的勘误进行审核，确认并接受后，您将获赠异步社区的100积分。积分可用于在异步社区兑换优惠券、样书或奖品。
　　与我们联系
　　我们的联系邮箱是contact@epubit.com.cn。
　　如果您对本书有任何疑问或建议，请您发邮件给我们，并请在邮件标题中注明本书书名，以便我们更高效地做出反馈。
　　如果您有兴趣出版图书、录制教学视频，或者参与图书翻译、技术审校等工作，可以发邮件给我们；有意出版图书的作者也可以到异步社区在线提交投稿（直接访问www.epubit.com/selfpublish/submission即可）。
　　如果您是学校、培训机构或企业，想批量购买本书或异步社区出版的其他图书，也可以发邮件给我们。
　　如果您在网上发现有针对异步社区出品图书的各种形式的盗版行为，包括对图书全部或部分内容的非授权传播，请您将怀疑有侵权行为的链接发邮件给我们。您的这一举动是对作者权益的保护，也是我们持续为您提供有价值的内容的动力之源。
　　关于异步社区和异步图书
　　“异步社区”是人民邮电出版社旗下IT专业图书社区，致力于出版精品IT技术图书和相关学习产品，为作译者提供优质出版服务。异步社区创办于2015年8月，提供大量精品IT技术图书和电子书，以及高品质技术文章和视频课程。更多详情请访问异步社区官网https://www.epubit.com。
　　“异步图书”是由异步社区编辑团队策划出版的精品IT专业图书的品牌，依托于人民邮电出版社近30年的计算机图书出版积累和专业编辑团队，相关图书在封面上印有异步图书的LOGO。异步图书的出版领域包括软件开发、大数据、AI、测试、前端、网络技术等。

　　人工神经网络表示一类机器学习的模型，最初是受到了哺乳动物中央神经系统研究的启发。网络由相互连接的分层组织的神经元组成，这些神经元在达到一定条件时就会互相交换信息（专业术语是激发（fire））。最初的研究开始于20世纪50年代后期，当时引入了感知机（Perceptron）模型（更多信息请参考文章《The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain》，作者F. Rosenblatt，Psychological Review，vol. 65，pp. 386～408，1958）。感知机是一个可以实现简单操作的两层网络，并在20世纪60年代后期引入反向传播算法（backpropagation algorithm）后得到进一步扩展，用于高效的多层网络的训练（据以下文章《Backpropagation through Time: What It Does and How to Do It》，作者P. J. Werbos，Proceedings of the IEEE， vol. 78，pp. 1550～1560，1990；《A Fast Learning Algorithm for Deep Belief Nets》，作者G. E. Hinton，S. Osindero，Y. W. Teh，Neural Computing，vol. 18，pp. 1527～1554，2006）。有些研究认为这些技术起源可以追溯到比通常引述的更早的时候（更多信息，请参考文章《Deep Learning in Neural Networks: An Overview》，作者J. Schmidhuber，Neural Networks，vol. 61，pp. 85～117，2015）。直到20世纪80年代，人们才对神经网络进行了大量的学术研究，那时其他更简单的方法正变得更加有用。然后，由于G.Hinton提出的快速学习算法（更多信息，请参考文章《The Roots of Backpropagation: From Ordered Derivatives to Neural Networks and Political Forecasting》，作者S. Leven，Neural Networks，vol. 9，1996；《Learning Representations by Backpropagating Errors》，作者D. E. Rumelhart，G. E. Hinton，R. J. Williams，Nature，vol. 323，1986），以及2011年前后引入GPU后使大量数值计算成为可能，开始再度出现了神经网络研究的热潮。
　　这些进展打开了现代深度学习的大门。深度学习是以一定数量网络层的神经元为标志的神经网络，它可以基于渐进的层级抽象学习相当复杂的模型。几年前，3～5层的网络就是深度的，而现在的深度网络已经是指100～200层。