第一章 深度学习入门
![]()
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。
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：
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：
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：
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。
1.5 本书目标
希望你看完本书后有能力从数据集上用Python开发深度学习算法。包括：
- 如何开发并测试深度学习模型
- 如何使用高级技巧
- 如何为图片和文本数据构建大模型
- 如何扩大图片数据
- 如何寻求帮助
现在可以开始了。你可以挑自己需要的主题阅读，也可以从头到尾走一遍流程。我推荐后者。
希望你亲手做每一个例子，将所思所想记录下来。我的邮箱是jason@MachineLearningMastery.com。本书希望你努力一下，尽快成为深度学习工程师。
1.6 本书不是什么
本书为开发者提供深度学习的入门教程，但是挂一漏万。本书不是：
- 深度学习教科书：本书不深入神经网络的理论细节，请自行学习。
- 算法书：我们不关注算法如何工作，请自行学习。
- Python编程书：本书不深入讲解Python的用法，希望你已经会Python了。
如果需要深入了解某个主题，请看书后的帮助。
1.7 总结
此时此刻，深度学习的工具处于历史顶峰，神经网络和深度学习的发展从未如此之快，在无数领域出神入化。希望你玩的开心。
1.7.1 下一步
下一章我们讲解一下Theano、TensorFlow和你要用的Keras。
