标签：编码器 编码 依次 自组织 难点 维度 应用 深度剖析 python
作为一款轻量级、模块化的开源深度学习框架， Keras 以容易上子、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。
《Keras深度学习实战》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，引领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。
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。
《Keras深度学习实战》中文PDF，253页，带书签目录，文字可复制；英文PDF，310页，带书签目录，文字可复制；配套源代码。
下载: https://pan.baidu.com/s/1FhJDEjOngtutraJaFvHXIg
提取码: gbjr
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。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，都能深刻地体会到Keras及深度学习的魅力。
CNN正在革新几个应用领域，如视觉识别系统、自动驾驶汽车、医学发现、创新电子商务等。需要在专业项目或 个人方案中利用复杂的图像和视频数据集来实现先进、有效和高效的CNN模型。
推荐学习《实用卷积神经网络运用Python实现高级深度学习模型》，学习实现高级视觉相关算法和解决方案，用 于目标检测、实例分割、生成式（对抗）网络、图像捕捉、注意力机制以及循环视觉注意模型。动手实践最有 趣的视觉模型和架构，探索CNN和计算机视觉领域最前沿的研究。
《实用卷积神经网络运用Python实现高级深度学习模型》中文PDF，199页，带目录，文字可复制。英文PDF，211页，带书签，文字可复制。配套源代码。
下载: https://pan.baidu.com/s/1rvnXAMXwd0-BYtf70omqWA
提取码: b6yy
共9章内容，其中第3章从零开始针对图像分类问题构建一个简单的CNN，并阐明如何调整参数、优化训练时间以 及CNN的性能，以分别提高效率和准确率。第7章讲授目标检测、实例分割和图像分类的区别。然后介绍多种使
用CNN进行目标检测和实例分割的技术。第8章探究生成式CNN网络，然后将其与我们学习得到的有识别力的CNN 网络相结合，用CNN/GAN创造新的图像。
从深度神经网络概述开始，通过一个图像分类的例子构建第一个CNN模型。将学习一些概念，如转移学习、CNN 自编码器等，这些概念将帮助构建非常强大的模型，即使只有有限的监督学习（有标签图像）训练集。
深度卷积网络DCNN是目前十分流行的深度神经网络架构，它的构造清晰直观，效果引人入胜，在图像、视频、语音、语言领域都有广泛应用。《深度卷积网络:原理与实践》以AI领域新的技术研究和和实践为基础，从技术理论、工作原理、实践方法、架构技巧、训练方法、技术前瞻等6个维度对深度卷积网络进行了系统、深入、详细地讲解。以实战为导向，深入分析AlphaGo和GAN的实现过程、技术原理、训练方法和应用细节，依次揭开神经网络、卷积网络和深度卷积网络的神秘面纱，了解AI的“思考过程”，以及与人类思维的相同和不同之处。
《深度卷积网络:原理与实践》 PDF，331页，带目录，文字可复制。配套源代码
下载: https://pan.baidu.com/s/1Qz4864r_vjGNSGVx1ynavQ
提取码: 67xi
不需要读者具备编程和数学基础，对深度学习和神经网络的基础知识、AlphaGo的架构设计和工作原理，以及深度学习和人工智能未来的技术发展趋势进行了宏观介绍。结合实际工作经验和案例代码，对深度卷积网络的技术理论、工作原理、实践方法、架构技巧和训练方法做了系统而深入的讲解。详细分析了AlphaGo和GAN的技术原理、训练方法和应用细节，包括详细的代码分析和大量GAN的精彩实例。
《神经网络与深度学习》PDF，444页，带书签目录，文字可以复制。配套课件；配套源代码。
下载: https://pan.baidu.com/s/1zLa633l4fInkQBswN9dM9A
提取码: qd3g
《神经网络与深度学习》能够掌握神经网络与深度学习技术的基本原理，知其然还要知其所以然。共15 章。第1 章是绪论，介绍人工智能、机器学习、深度学习的概要，使读者对相关知识进行全面的了解。
第10章中介绍一些和模型独立的机器学习方法：集成学习、协同学习、自学习、多任务学习、迁移学习、终身学习、小样本学习、元学习等。这些都是目前深度学习的难点和热点问题。第13章介绍最近两年发展十分迅速的深度生成模型：变分自编码器和对抗生成网络。
神经网络和深度学习目前提供了针对图像识别，语音识别和自然语言处理领域诸多问题的最佳解决方案。深度神经网络和深度学习在计算机视觉、语音识别和自然语言处理等许多重要问题上取得了出色的表现。
《神经网络与深度学习应用实战》结合实际应用介绍神经网络和深度学习等技术领域相关信息。从结构上重点介绍了前馈型神经网络、反馈型神经网络，以及自组织竞争型神经网络，并针对当下深度学习中比较重要的网络进行了详细介绍，包括卷积神经网络、循环（递归）神经网络、深度信念网络、生成对抗网络，以及深度强化学习。《神经网络与深度学习应用实战》对当前神经网络和深度学习技术有体系的认知，在人工智能领域进行一些深入思考。
《深度学习轻松学核心算法与视觉实践》介绍了深度学习基本算法和视觉领域的应用实例。书中以轻松直白的语言，生动详细地介绍了深层模型相关的基础知识，并深入剖析了算法的原理与本质。配有大量案例与源码，帮助切实体会深度学习的核心思想和精妙之处。介绍了深度学习在视觉领域的应用，从原理层面揭示其思路思想，帮助在此领域中夯实技术基础。
《神经网络与深度学习应用实战》PDF，250页，有目录，文字可以复制。
《深度学习轻松学核心算法与视觉实践》PDF，349页，有目录，文字可以复制，配套源代码。
下载: https://pan.baidu.com/s/1v9ChMHTAwgym1TAyAaMfEw
提取码: sex3
示例代码主要是python+keras或者Caffe。值得一看的是三种视角切换看卷积过程、FFT视角理解卷积，以及后面GAN的简单解释。
介绍了卷积神经网络中很多细节，这些细节是十分重要的，它们决定了一个人对CNN的理解深度。有些人深耕应用，可能真的对其中的原理不甚了解，这样会制约一个人的发展。很多人只关注了深度学习的神奇，却不是很重视神奇背后的逻辑，简单地以”炼丹“来解释，这样实际上也是对深度学习的轻视。
标签：编码器 编码 依次 自组织 难点 维度 应用 深度剖析 python
原文地址：https://www.cnblogs.com/chenzhiq/p/11335733.html
