# 零、前言 《深度學習快速參考》演示了使用深度學習的快速實用方法。 它著重于現實生活中的問題，并且僅提供了足夠的理論和數學知識來加深讀者對該主題的理解。 深度學習是機器學習中令人興奮的快速節奏分支，但它也是一個可以涉足的領域。 在這個領域，每天都會進行大量的詳細而復雜的研究，而這可能會令人不知所措。 在本書中，我著重向您傳授將深度學習應用于各種實際問題的技能。 我對這本書的最大希望是，它將為您提供使用深度學習技術解決機器學習問題所需的工具。 # 這本書是給誰的 我是一名實踐中的數據科學家，我在寫這本書時牢記其他實踐中的數據科學家和機器學習工程師。 如果您是應用深度學習的軟件工程師，那么這本書也很適合您。 如果您是一名深度學習研究人員，那么這本書并不適合您。 但是，您仍然應該拿起副本，以便批評這本書缺乏證明和數學上的嚴格性。 如果您是一名學者或教育家，那么這本書絕對適合您。 在過去的 3 年中，我在伊利諾伊大學斯普林菲爾德分校教授了數據科學的調查數據（去草原之星！），這樣做，我有機會啟發了許多未來的機器學習人員。 這種經歷啟發了我創作這本書。 我認為這樣的書是幫助學生提高對一個非常復雜的主題的興趣的好方法。 # 本書涵蓋的內容 第 1 章“深度學習的基礎知識”，回顧了有關神經網絡操作的一些基礎知識，涉及了優化算法，討論了模型驗證，并討論了建立開發環境的內容。 適用于構建深度神經網絡。 第 2 章“使用深度學習解決回歸問題”，您可以構建非常簡單的神經網絡來解決回歸問題，并研究更深更復雜的模型對這些問題的影響。 第 3 章“使用 TensorBoard 監視網絡訓練”讓您立即開始使用 TensorBoard，這是監視和調試未來模型的絕佳應用。 第 4 章“使用深度學習解決二分類問題”幫助您使用深度學習解決二分類問題。 第 5 章“使用 Keras 解決多分類問題”，帶您進行多分類并探討它們之間的區別。 它還討論了管理過擬合和最安全的選擇。 第 6 章“超參數優化”顯示了兩種獨立的模型調整方法，一種是眾所周知的且經過實戰測試的方法，而另一種是最新方法。 第 7 章“從頭開始訓練 CNN”教您如何使用卷積網絡對圖像進行分類。 第 8 章“使用預訓練的 CNN 的遷移學習”描述了如何應用遷移學習來從圖像分類器中獲得驚人的表現，即使數據很少。 第 9 章“從頭開始訓練 RNN”，討論 RNN 和 LSTMS，以及如何將其用于時間序列預測問題。 第 10 章“從頭開始用詞嵌入訓練 LSTM”繼續我們關于 LSTM 的討論，這次討論的是自然語言分類任務。 第 11 章“訓練 Seq2Seq 模型”幫助我們使用序列對模型進行序列化以進行機器翻譯。 第 12 章“使用深度強化學習”引入了深度強化學習，并構建了可以為自治智能體提供動力的深度 Q 網絡。 第 13 章“生成對抗網絡”解釋了如何使用生成對抗網絡生成令人信服的圖像。 # 充分利用這本書 1. 我假設您已經對更傳統的數據科學和預測建模技術（例如線性/邏輯回歸和隨機森林）有豐富的經驗。 如果這是您第一次學習機器學習，那么對您來說可能有點困難。 2. 我還假定您至少具有使用 Python 進行編程的經驗，或者至少具有其他編程語言（如 Java 或 C++）。 3. 深度學習是計算密集型的，我們在這里構建的某些模型需要 NVIDIA GPU 在合理的時間內運行。 如果您沒有快速的 GPU，則可能希望在 Amazon Web Services 或 Google Cloud Platform 上使用基于 GPU 的云實例。 # 使用約定 本書中使用了許多文本約定。 `CodeInText`：指示文本，數據庫表名稱，文件夾名稱，文件名，文件擴展名，路徑名，虛擬 URL，用戶輸入和 Twitter 句柄中的代碼字。 這是一個示例：“這正是`ModelCheckpoint`回調為我們所做的。” 代碼塊設置如下： ```py def binary_accuracy(y_true, y_pred): return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1) ``` 當我們希望引起您對代碼塊特定部分的注意時，相關的行或項目以粗體顯示： ```py def build_network(input_features=None): inputs = Input(shape=(input_features,), name="input") x = Dense(32, activation='relu', name="hidden1")(inputs) x = Dense(32, activation='relu', name="hidden2")(x) x = Dense(32, activation='relu', name="hidden3")(x) x = Dense(32, activation='relu', name="hidden4")(x) x = Dense(16, activation='relu', name="hidden5")(x) prediction = Dense(1, activation='linear', name="final")(x) model = Model(inputs=inputs, outputs=prediction) model.compile(optimizer='adam', loss='mean_absolute_error') return model ``` 任何命令行輸入或輸出的編寫方式如下： ```py model-weights.00-0.971304.hdf5 model-weights.02-0.977391.hdf5 model-weights.05-0.985217.hdf5 ``` **粗體**：表示新術語，重要單詞或您在屏幕上看到的單詞。 例如，菜單或對話框中的單詞會出現在這樣的文本中。 這是一個示例：“從管理面板中選擇系統信息。” 警告或重要提示如下所示。 提示和技巧如下所示。