本书通过大量的范例浅入深地讲解Keras与TensorFlow深度学习，使读者能够快速理解和应用这两个工具在人工智能领域的实践，书中详细介绍了安装和上机操作指南，帮助读者迅速上手，本书还提供了丰富的范例程序，让读者能够深入了解TensorFlow与Keras在深度学习方面的知识，这些范例程序不仅能够帮助读者学习基础知识，还可以作为实践的参考和指导，本书不仅内容广泛，而且深入浅出，是一本非常实用的关于TensorFlow和Keras深度学习人工智能实践的教材。
TensorFlow+Keras深度学习人工智能实践应用电子书封面
读者评价
看了一半了，确实对我的学习有帮助，因为我现在就是卡在入门很难的阶段，不过里面的错字和错误的地方太多了吧，而且重复的东西很多 精简一下大概只有250字左右，不过确实还行
还可以，没有仔细阅读，涉及内容比较多，深入的不是太多。入门应用足够用了吧
挺不错的入门书，满足快速入门概览实现流程的需求，不用纠结太多原理性的东西，在应用中慢慢加深认识。内容不深，入门够用
书籍还可以吧，因为我是拿来入门的，但是看完之后才发现真的很简单，有关理论的方面基本上没有涉及，但是关于书中的代码都有讲解，只要是掌握了些简单的概念就可以上手，但是真的太简单了。还有书籍有几个印刷错误，看的时候有强迫症…整体来说还是不错的书，看完之后建议大家再看一本理论的书籍，如果用Keras的话就看下Keras中文文档就好了
快餐时代，企图分一碗羹的一本书，基本和网上博客的质量差不多，说是实践就玩了玩mnist，imdb数据集，而且书中有很多错误。
内容介绍
本书提供了安装和上机操作的指南，并提供了大量的范例程序来介绍TensorFlow Keras深度学习方面的知识。全书共分为9个部分，包含21章内容，主要包括基本概念介绍、安装TensorFlow与Keras、Keras MNIST手写数字识别、Keras CIFAR-10照片图像物体识别、Keras多层感知器预测泰坦尼克号上旅客的生存概率、使用Keras进行IMDb自然语言处理与情感分析、使用TensorFlow张量运算模拟神经网络的运行、TensorFlow MNIST手写数字识别以及使用GPU大幅加速深度学习训练。
TensorFlow Keras深度学习方面的知识并不要求具备高等数学模型和算法等专业知识，读者只需要具备基本的Python程序设计能力，按照本书的步骤逐渐学习，就可以了解深度学习的基本概念，并实际运用深度学习技术。
目录
- 第1章 人工智能、机器学习与深度学习简介 1
- 第2章 深度学习的原理 9
- 第3章 TensorFlow与Keras介绍 22
- 第4章 在Windows中安装TensorFlow与Keras 31
- 第5章 在Linux Ubuntu中安装TensorFlow与Keras 49
- 第6章 Keras MNIST手写数字识别数据集 55
- 第7章 Keras多层感知器识别手写数字 66
- 第8章 Keras卷积神经网络识别手写数字 90
- 第9章 Keras CIFAR-10图像识别数据集 108
- 第10章 Keras卷积神经网络识别CIFAR-10图像 116
- 第11章 Keras泰坦尼克号上的旅客数据集 137
- 第12章 Keras多层感知器预测泰坦尼克号上旅客的生存概率 148
- 第13章 IMDb网络电影数据集与自然语言处理 161
- 第14章 Keras建立MLP、RNN、LSTM模型进行IMDb情感分析 177
- 第15章 TensorFlow程序设计模式 201
- 第16章 以TensorFlow张量运算仿真神经网络的运行 215
- 第17章 TensorFlow MNIST手写数字识别数据集 227
- 第18章 TensorFlow多层感知器识别手写数字 236
- 第19章 TensorFlow卷积神经网络识别手写数字 253
- 第20章 TensorFlow GPU版本的安装 271
- 第21章 使用GPU加快TensorFlow与Keras训练 287
Keras 的模型 Keras 的核心数据结构是模型。模型是用来组织网络层的方式。模型有两种，一种叫 Sequential 模型，另一种叫Model 模型。Sequential 模型是一系列网络层按顺序构成的栈，是单 输入和单输出的，层与层之间只有相邻关系，是最简单的一种模型。Model 模型是用来建立更 复杂的模型的。 这里先介绍简单的Sequential 模型的使用（后面将会以一个示例来介绍Model 模型）。首先 是加载数据，这里我们假设数据已经加载完毕，是X_train, Y_train 和X_test, Y_test。然后构建模型： from keras.models import Sequential from keras.layers import Dense, Activation model = Sequential() model.add(Dense(output_dim=64, input_dim=100)) model.add(Activation(“relu”)) model.add(Dense(output_dim=10)) model.add(Activation(“softmax”)) 然后，编译模型，同时指明损失函数和优化器： model.compile(loss=’categorical_crossentropy’, optimizer=’sgd’, metrics=[‘accuracy’]) 最后，训练模型和评估模型： model.fit(X_train, Y_train, nb_epoch=5, batch_size=32) loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=32) 这就是一个最简单的模型的使用。如果要搭建复杂的网络，可以使用Keras 的Model 模型， 它能定义多输出模型、含有共享层的模型、共享视觉模型、图片问答模型、视觉问答模型等。 在Keras 的源代码的examples 文件夹里还有更多的例子，有兴趣的读者可以参参。
1、 Keras 的优点 Keras 是高度封装的，非常适合新手使用，代码更新速度比较很，示例代码也比较多，文 档和我论区也比较完善。最重要的是，Keras 是TensorFlow 官方支持的。当机器上有可用的GPU 时，代码会自动调用GPU 进行并行计算。 Keras 官方网站上描述了它的几个优点，具体如下。 ● 模块化：模型的各个部分，如神经层、成本函数、优化器、初始化、激活函数、规范 化都是独立的模块，可以组合在一起来创建模型。 ● 极简主义：每个模块都保持简短和简单。 ● 易扩展性：很容易添加新模块，因此Keras 适于做进一步的高级研究。 ● 使用Python 语言：模型用Python 实现，非常易于调试和扩展。
eras 是一个高级的Python 神经网络框架，其文档详。Keras 已经被添加到 TensorFlow 中，成为其默认的框架，为TensorFlow 提供更高级的API。 如果读者不想了解TensorFlow 的细节，只需要模块化，那么Keras 是一个不错的选择。如 果将TensorFlow 比喻为编程界的Java 或C++，那么Keras 就是编程界的Python。它作为 TensorFlow 的高层封装，可以与TensorFlow 联合使用，用它很速搭建原型。 另外，Keras 兼容两种后端，即Theano 和TensorFlow，并且其接口形式和Torch 有几分相 像。掌握Keras 可以大幅提升对开发效率和网络结构的理解。