本书将介绍一种与传统方式不同的学习深度学习的方式；
主要介绍Keras在Python中生成并评估深度学习的模型 ；
本书具有端到端的例子，适合实践，能够快速上手，代码复现容易。
《深度学习：基于Keras的Python实践》本书系统讲解了深度学习的基本知识，以及使用深度学习解决实际问题，详细介绍了如何构建及优化模型，并针对不同的问题给出不同的解决方案，通过不同的例子展示了在具体项目中的应用和实践经验，是一本非常好的深度学习的入门和实践书籍。
《深度学习：基于Keras的Python实践》以实践为导向，使用Keras 作为编程框架，强调简单、快速地上手建立模型，解决实际项目问题。读者可以通过学习本书，迅速上手实践深度学习，并利用深度学习解决实际问题。
《深度学习：基于Keras的Python实践》非常适合于项目经理，有意从事机器学习开发的程序员，以及高校在读相关专业的学生。
激活函数是加权输入与神经元输出的简单映射。它被称为激活函数，是因为它控制神经元激活的阈值和输出信号的强度。历史上最简单的激活函数是临界值判定，如输入总和高于阈值（如0.5），则神经元将输出值1.0，否则将输出值0.0。
激活函数通常有以下一些性质。
非线性：当激活函数是非线性的时候，一个两层的神经网络就可以基本逼近所有的函数了。但是，如果激活函数是恒等激活函数时（f(x)=x），就不满足这个特性，假如多层感知器使用的是恒等激活函数，那么整个网络和单层神经网络是等价的。
可微性：当优化方法是基于梯度优化时，这个性质是必需的。
单调性：当激活函数是单调函数时，单层网络能够保证是凸函数。
f(x)≈x：当激活函数满足这个性质时，如果参数的初始化为很小的随机值，那么神经网络的训练将会很高效；如果不满足这个性质，那么就需要很用心地去设置初始值。
输出值的范围：当激活函数的输出值的范围有限的时候，基于梯度的优化方法会更加稳定，因为特征的表示受有限权值的影响更显著；当激活函数的输出值的范围无限的时候，模型的训练会更加高效，不过在这种情况下，一般需要更小的学习率。
既然激活函数具有这些特征，那么如何选择激活函数呢？传统上使用非线性激活函数。这允许网络以更复杂的方式组合输入，从而可以构建功能更丰富的模型。使用类似逻辑函数的非线性函数也称为sigmoid函数，它以s形分布输出0和1之间的值。双曲正切函数也称为tanh，它在-1到+1范围内输出相同的分布。最近，线性整流函数（ReLU）已被证明可以提供更好的结果，相比于sigmoid函数和tanh函数，ReLU只需要一个阈值就可以得到激活值，而不用去算一大堆复杂的运算。当然，ReLU也有缺点，就是训练的时候很“脆弱”，并且很容易失去作用。举个例子，一个非常大的梯度流过一个ReLU神经元，更新参数之后，这个神经元再也不会对任何数据有激活现象。如果这个情况发生了，那么这个神经元的梯度就永远都是0。
……
第一部分 初识
1 初识深度学习/2
1.1 Python的深度学习/2
1.2 软件环境和基本要求/3
1.2.1 Python和SciPy/3
1.2.2 机器学习/3
1.2.3 深度学习/4
1.3 阅读本书的收获/4
1.4 本书说明/4
1.5 本书中的代码/5
2 深度学习生态圈/6
2.1 CNTK/6
2.1.1 安装CNTK/7
2.1.2 CNTK的简单例子/8
2.2 TensorFlow/8
2.2.1 TensorFlow介绍/8
2.2.2 安装TensorFlow/9
2.2.3 TensorFlow的简单例子/9
2.3 Keras/10
2.3.1 Keras简介/11
2.3.2 Keras安装/11
2.3.3 配置Keras的后端/11
2.3.4 使用Keras构建深度学习模型/12
2.4 云端GPUs计算/13
第二部分 多层感知器
3 第一个多层感知器实例：印第安人糖尿病诊断/16
3.1 概述/16
3.2 Pima Indians数据集/17
3.3 导入数据/18
3.4 定义模型/19
3.5 编译模型/20
3.6 训练模型/21
3.7 评估模型/21
3.8 汇总代码/22
4 多层感知器速成/24
4.1 多层感知器/24
4.2 神经元/25
4.2.1 神经元权重/25
4.2.2 激活函数/26
4.3 神经网络/27
4.3.1 输入层（可视层）/28
4.3.2 隐藏层/28
4.3.3 输出层/28
4.4 训练神经网络/29
4.4.1 准备数据/29
4.4.2 随机梯度下降算法/30
4.4.3 权重更新/30
4.4.4 预测新数据/31
5 评估深度学习模型/33
5.1 深度学习模型和评估/33
5.2 自动评估/34
5.3 手动评估/36
5.3.1 手动分离数据集并评估/36
5.3.2 k折交叉验证/37
6 在Keras中使用Scikit-Learn/40
6.1 使用交叉验证评估模型/41
6.2 深度学习模型调参/42
7 多分类实例：鸢尾花分类/49
7.1 问题分析/49
7.2 导入数据/50
7.3 定义神经网络模型/50
7.4 评估模型/52
7.5 汇总代码/52
8 回归问题实例：波士顿房价预测/54
8.1 问题描述/54
8.2 构建基准模型/55
8.3 数据预处理/57
8.4 调参隐藏层和神经元/58
9 二分类实例：银行营销分类/61
9.1 问题描述/61
9.2 数据导入与预处理/62
9.3 构建基准模型/64
9.4 数据格式化/66
9.5 调参网络拓扑图/66
10 多层感知器进阶/68
10.1 JSON序列化模型/68
10.2 YAML序列化模型/74
10.3 模型增量更新/78
10.4 神经网络的检查点/81
10.4.1 检查点跟踪神经网络模型/82
10.4.2 自动保存最优模型/84
10.4.3 从检查点导入模型/86
10.5 模型训练过程可视化/87
11 Dropout与学习率衰减92
11.1 神经网络中的Dropout/92
11.2 在Keras中使用Dropout/93
11.2.1 输入层使用Dropout/94
11.2.2 在隐藏层使用Dropout/95
11.2.3 Dropout的使用技巧/97
11.3 学习率衰减/97
11.3.1 学习率线性衰减/98
11.3.2 学习率指数衰减/100
11.3.3 学习率衰减的使用技巧/103
第三部分 卷积神经网络
12 卷积神经网络速成/106
12.1 卷积层/108
12.1.1 滤波器/108
12.1.2 特征图/109
12.2 池化层/109
12.3 全连接层/109
12.4 卷积神经网络案例/110
13 手写数字识别/112
13.1 问题描述/112
13.2 导入数据/113
13.3 多层感知器模型/114
13.4 简单卷积神经网络/117
13.5 复杂卷积神经网络/120
14 Keras中的图像增强/124
14.1 Keras中的图像增强API/124
14.2 增强前的图像/125
14.3 特征标准化/126
14.4 ZCA白化/128
14.5 随机旋转、移动、剪切和反转图像/129
14.6 保存增强后的图像/132
15 图像识别实例：CIFAR-10分类/134
15.1 问题描述/134
15.2 导入数据/135
15.3 简单卷积神经网络/136
15.4 大型卷积神经网络/140
15.5 改进模型/145
16 情感分析实例：IMDB影评情感分析/152
16.1 问题描述/152
16.2 导入数据/153
16.3 词嵌入/154
16.4 多层感知器模型/155
16.5 卷积神经网络/157
第四部分 循环神经网络
17 循环神经网络速成/162
17.1 处理序列问题的神经网络/163
17.2 循环神经网络/164
17.3 长短期记忆网络/165
18 多层感知器的时间序列预测：国际旅行人数预测/167
18.1 问题描述/167
18.2 导入数据/168
18.3 多层感知器/169
18.4 使用窗口方法的多层感知器/172
19 LSTM时间序列问题预测：国际旅行人数预测177
19.1 LSTM处理回归问题/177
19.2 使用窗口方法的LSTM回归/181
19.3 使用时间步长的LSTM回归/185
19.4 LSTM的批次间记忆/188
19.5 堆叠LSTM的批次间记忆/192
20 序列分类：IMDB影评分类/197
20.1 问题描述/197
20.2 简单LSTM/197
20.3 使用Dropout改进过拟合/199
20.4 混合使用LSTM和CNN/201
21 多变量时间序列预测：PM2.5预报/203
21.1 问题描述/203
21.2 数据导入与准备/204
21.3 构建数据集/206
21.4 简单LSTM/207
22 文本生成实例：爱丽丝梦游仙境/211
22.1 问题描述/211
22.2 导入数据/212
22.3 分词与向量化/212
22.4 词云/213
22.5 简单LSTM/215
22.6 生成文本/219
附录A 深度学习的基本概念/223
A.1 神经网络基础/223
A.2 卷积神经网络/227
A.3 循环神经网络/229
深度学习是目前很热的领域之一。迅速上手想必是每个想跨入深度学习开发行列的人关心的问题。本书面向对深度学习算法有一定了解的人群，全面讲解了如何利用 Python 建立、评估并且改善模型。本书中有别于传统书籍的编排方式，循序渐进，对所有知识点均提供了大量的实例，中间穿插了简洁的理论知识介绍，娓娓道来，让读者在实践中迅速上手，达到事半功倍的效果，是掌握 Deep Learning 的必读之作。
—— 张亮，副合伙人，IBM 客户创新中心银行事业部负责人
Watson 是 IBM 在认知计算系统领域内的杰出代表，IBM 在机器学习、深度学习等领域有丰富的理论和实践。本书作者结合 IBM 的先进实践和中国国内热度较高的开源产品，一步一步浅显易懂地讲解如何学习和掌握 Google 的 TensorFlow、微软的 CNTK 和著名 Python 类库 Keras。本书介绍了如何使用阿里云的 GPU 云服务来加速大型深度学习模型的训练，为了让读者可以边读边练，作者把源代码放到了 GitHub 上，方便查阅。详细地介绍了卷积神经网络（CNN）和循环神经网络（RNN）等理论，并通过手写数字识别、图像识别、情感分析、时间序列预测、影评序列分类、多变量时间序列预测等深度学习热点应用方向，对理论知识进行了详细的介绍和实践应用说明。
本书条理清晰，理论和实践相结合，非常值得阅读。
—— 王德会，IBM 副合伙人，IBM 客户创新中心对日保险事业部负责人