Question

欢迎购买本书：本书旨在帮助您使用 Python 进行深度学习，包括如何使用 Keras 构建和运行深度学习模型。本书也包括深度学习的技巧、示例代码和技术内容。

深度学习的数学基础很精妙：但是一般用户不需要完全了解数学细节就可以抄起键盘开始编程。实用一点讲，深度学习并不复杂，带来的成效却很客观。教会你如何用深度学习：这就是本书的目的。

1.1 深度学习：如何错误入门

如果你去问大佬们深度学习如何入门，他们会怎么说？不外乎：

• 线性代数是关键啊！
• 你得了解传统神经网络才能干啊！
• 概率论和统计学是基础的基础不是吗？
• 你得先在机器学习的水里扑腾几年再来啊。
• 不是计算机博士不要和我说话好吗！
• 入门挺简单的：10 年经验应该差不多也行有可能就够了吧。

总结一下：只有大神才能做深度学习。

净 TM 扯淡！

1.2 使用 Python 进行深度学习

本书准备把传统的教学方式倒过来：直接教你怎么深度学习。如果你觉得这东西真厉害我要好好研究一下，再去研究理论细节。本书直接让你用深度学习写出能跑的东西。

我用了不少深度学习的库：我觉得最好的还是基于 Python 的 Keras。Python 是完整的成熟语言，可以直接用于商业项目的核心，这点 R 是比不上的。和 Java 比，Python 有 SciPy 和 scikit-learn 这些专业级别的包，可以快速搭建平台。

Python 的深度学习库有很多，最著名的是蒙特利尔大学的 Theano（已死，有事烧纸）和 Google 的 TensorFlow。这两个库都很简单，Keras 都无缝支持。Keras 把数值计算的部分封装掉，留下搭建神经网络和深度学习模型的重点 API。

本书会带领你亲手构建神经网络和深度学习模型，告诉你如何在自己的项目中利用。废话少说，赶快开始：

1.3 本书结构

本书分 3 部分：

• 课程：介绍某个神经网络的某个功能，以及如何使用 Keras 的 API 写出来
• 项目：将课上的知识放在一起，写一个项目：这个项目可以作为模板
• 示例：直接可以复制粘贴的代码！本书还附赠了很多代码，在 Github 上！

1.3.1 第一部分：课程和项目

每节课是独立的，推荐一次性完成，时长短则 20 分钟，长则数小时 - 如果你想仔细调参数。课程分 4 块：

• 背景
• 多层感知器
• 高级多层感知器和 Keras
• 卷积神经网络

1.3.2 第二部分：背景知识

这部分我们介绍 Theano、TensorFlow（TF）和 Keras 这 3 个库，以及如何在亚马逊的云服务（AWS）上用低廉的价格测试你的网络。分成 4 个部分：

• Theano 入门
• TensorFlow 入门
• Keras 入门

这些是最重要的深度学习库。我们多介绍一点东西：

• 项目：在云上部署 GPU 项目

到这里你应该准备好用 Keras 开发模型了。

1.3.3 第三部分：多层感知器

这部分我们介绍前馈神经网络，以及如何用 Keras 写出自己的网络。大体分段：

• 多层感知器入门
• 用 Keras 开发第一个神经网络
• 测试神经网络模型性能
• 用 Scikit-Learn 和 Keras 模型进行机器学习

这里有 3 个项目可以帮助你开发神经网络，以及为之后的网络打下模板：

• 项目：多类分类
• 项目：分类问题
• 项目：回归问题

到这里你已经熟悉了 Keras 的基本操作。

1.3.4 第四部分：高级多层感知器

这部分我们进一步探索 Keras 的 API，研究如何得到世界顶级的结果。内容包括：

• 如何保存神经网络
• 如何保存最好的网络
• 如何边训练观察训练结果
• 如何对付过拟合
• 如何提高训练速度

到这里你已经可以使用 Keras 开发成熟的模型了。

1.3.5 第五部分：卷积神经网络（CNN）

这部分我们介绍一些计算机视觉和自然语言的问题，以及如何用 Keras 构建神经网络出色地解决问题。内容包括：

• 卷积神经网络入门
• 如何增强模型效果

写代码才能真正理解网络：这里我们用 CNN 解决如下问题：

• 项目：手写字符识别
• 项目：图像物体识别
• 项目：影视评论分类

到这里你可以用 CNN 对付你遇到的实际问题了。

1.3.6 结论

这部分我们给你提供一些继续深造的资料。

1.3.7 示例

边学习边积累代码库：每个问题你都写了代码，供以后使用。

本书给你所有项目的代码，以及一些没有讲到的 Keras 代码。自己动手积累吧！

1.4 本书需求

1.4.1 Python 和 SciPy

你起码得会装 Python 和 SciPy，本书默认你都配置好了。你可以在自己的机器上，或者虚拟机/Docker/云端配置好环境。参见第二章项目。

本书使用的软件和库：

• Python 2 或 3：本书用版本 2.7.11.
• SciPy 和 NumPy：本书用 SciPy 0.17.0 和 NumPy 1.11.0.
• Matplotlib：本书用版本 1.5.1
• Pandas：本书用版本 0.18.0
• scikit-learn：本书用版本 0.17.1。

版本不需要完全一致：但是希望安装的版本不要低于上面的要求。第二部分会带领你配置环境。

1.4.2 机器学习

你不需要专业背景，但是会用 scikit-learn 研究简单的机器学习很有帮助。交叉检验等基本概念了解一下。书后有参考资料：简单阅读一下。

1.4.3 深度学习

你不需要知道算法的数学理论，但是概念需要有所了解。本书有个神经网络和模型的入门，但是不会深度研究细节。术后有参考资料：希望你对神经网络有点概念。

注意：所有的例子都可以用 CPU 跑，GPU 不是必备的，但是 GPU 可以显著加速运算。第 5 章会告诉你如何在云上配置 GPU。