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。

作为一款轻量级、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，本书带领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。

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

第 1章  神经网络基础 1

1.1　感知机　2

　第 一个Keras代码示例　3

1.2　多层感知机—第 一个神经网络的示例　3

1.2.1　感知机训练方案中的问题　4

1.2.2　激活函数—sigmoid　5

1.2.3　激活函数—ReLU　5

1.2.4　激活函数　6

1.3　实例—手写数字识别　6

1.3.1　One-hot编码—OHE　7

1.3.2　用Keras定义简单神经网络　7

1.3.3　运行一个简单的Keras网络并创建基线　10

1.3.4　用隐藏层改进简单网络　11

1.3.5　用dropout进一步改进简单网络　14

1.3.6　Keras中的不同优化器测试　16

1.3.7　增加训练轮数　20

1.3.8　控制优化器的学习率　20

1.3.9　增加内部隐藏神经元的数量　21

1.3.10　增加批处理的大小　22

1.3.11　识别手写数字的实验总结　22

1.3.12　采用正则化方法避免过拟合　22

1.3.13　超参数调优　24

1.3.14　输出预测　24

1.4　一种实用的反向传播概述　25

1.5　走向深度学习之路　26

1.6　小结　27

第　2章 Keras安装和API　28

2.1　安装Keras　28

2.1.1　第 1步—安装依赖项　28

2.1.2　第 2步—安装Theano　29

2.1.3　第3步—安装TensorFlow　29

2.1.4　第4步—安装Keras　30

2.1.5　第5步—测试Theano、TensorFlow和Keras　30

2.2　配置Keras　31

2.3　在Docker上安装Keras　32

2.4　在谷歌Cloud ML上安装Keras　34

2.5　在亚马逊AWS上安装Keras　36

2.6　在微软Azure上安装Keras　37

2.7　Keras API　39

2.7.1　从Keras架构开始　40

2.7.2　预定义神经网络层概述　40

2.7.3　预定义激活函数概述　43

2.7.4　损失函数概述　44

2.7.5　评估函数概述　44

2.7.6　优化器概述　44

2.7.7　一些有用的操作　44

2.7.8　保存和加载权重及模型结构　45

2.8　自定义训练过程的回调函数　45

2.8.1　检查点设置　45

2.8.2　使用TensorBoard　47

2.8.3　使用Quiver　47

2.9　小结　48

第3章　深度学习之卷积网络　49

3.1　深度卷积神经网络—DCNN　50

3.1.1　局部感受野　50

3.1.2　共享权重和偏置　51

3.1.3　池化层　51

3.2　DCNN示例—LeNet　52

3.2.1　用Keras构建LeNet代码　53

3.2.2　深度学习的本领　59

3.3　用深度学习网络识别CIFAR-10图像　60

3.3.1　用深度学习网络改进CIFAR-10的性能　64

3.3.2　通过数据增加改善CIFAR-10的性能　66

3.3.3　用CIFAR-10进行预测　68

3.4　用于大型图片识别的极深度卷积网络　69

3.4.1　用VGG-16网络识别猫　71

3.4.2　使用Keras内置的VGG-16网络模块　72

3.4.3　为特征提取回收内置深度学习模型　73

3.4.4　用于迁移学习的极深inception-v3网络　74

3.5　小结　76

第4章　生成对抗网络和WaveNet　78

4.1　什么是生成对抗网络　78

　生成对抗网络的一些应用　80

4.2　深度卷积生成对抗网络　82

4.3　用Keras adversarial生成MNIST数据　85

4.4　用Keras adversarial生成CIFAR数据　91

4.5　WaveNet—一个学习如何产生音频的生成模型　99

4.6　小结　108

第5章　词嵌入　109

5.1　分布式表示　110

5.2　word2vec　110

5.2.1　skip-gram word2vec模型　111

5.2.2　CBOW word2vec模型　114

5.2.3　从模型中提取word2vec向量　116

5.2.4　使用word2vec的第三方实现　117

5.3　探索GloVe　121

5.4　使用预训练好的词向量　122

5.4.1　从头开始学习词向量　123

5.4.2　从word2vec中微调训练好的词向量　127

5.4.3　从GloVe中微调训练好的词向量　131

5.4.4　查找词向量　132

5.5　小结　136

第6章　循环神经网络—RNN　137

6.1　SimpleRNN单元　138

　用Keras实现SimpleRNN—生成文本　139

6.2　RNN拓扑结构　143

6.3　梯度消失和梯度爆炸　145

6.4　长短期记忆网络—LSTM　146

　用Keras实现LSTM—情感分析　148

6.5　门控循环单元—GRU　153

　用Keras实现GRU—词性标注　154

6.6　双向RNN　160

6.7　有状态RNN　161

　用Keras实现有状态LSTM—电量消费预测　161

6.8　其他RNN变体　167

6.9　小结　167

第7章　其他深度学习模型　169

7.1　Keras函数API　170

7.2　回归网络　172

　Keras回归示例—预测空气中的苯含量　172

7.3　无监督学习—自动编码器　176

　Keras自动编码器示例—句向量　178

7.4　构造深度网络　185

　Keras示例—问答记忆网络　185

7.5　自定义Keras　192

7.5.1　Keras示例—使用lambda层　193

7.5.2　Keras示例—自定义归一化层　193

7.6　生成模型　196

7.6.1　Keras示例—Deep Dreaming　197

7.6.2　Keras示例—风格转换　204

7.7　小结　208

第8章　游戏中的AI　210

8.1　强化学习　211

8.1.1　最大化未来奖赏　212

8.1.2　Q学习　212

8.1.3　深度Q网络作为Q函数　213

8.1.4　探索和利用的平衡　214

8.1.5　经验回放，或经验值　215

8.2　示例—用Keras深度Q网络实现捕捉游戏　215

8.3　未来之路　226

8.4　小结　228

第9章　结束语　229

9.1　Keras 2.0—新特性　230

9.1.1　安装Keras 2.0　230

9.1.2　API的变化　231