本書涵蓋了基于應(yīng)用領(lǐng)域的新的深度學(xué)習(xí)模型、方法和實現(xiàn)。全書共四部分：
● 部分（第1章）介紹深度學(xué)習(xí)的構(gòu)建和神經(jīng)網(wǎng)絡(luò)(NN)背后的數(shù)學(xué)知識。
● 第二部分（第2~4章）闡述卷積神經(jīng)網(wǎng)絡(luò)(CNN)及其在計算機視覺(CV)中的高級應(yīng)用。你將學(xué)習(xí)在對象檢測和圖像分割應(yīng)用中流行的CNN架構(gòu)。之后，還將學(xué)習(xí)變分自編碼器和生成對抗網(wǎng)絡(luò)。
● 第三部分（第6~8章）闡述自然語言和序列處理。講解如何使用神經(jīng)網(wǎng)絡(luò)提取復(fù)雜的單詞向量表示。討論各種類型的循環(huán)網(wǎng)絡(luò)，如長短期記憶(LSTM)網(wǎng)絡(luò)和門控循環(huán)單元(GRU)網(wǎng)絡(luò)。之后，介紹如何在沒有循環(huán)網(wǎng)絡(luò)的情況下使用注意力機制處理序列數(shù)據(jù)。
● 第四部分（第9~11章）介紹如何使用圖神經(jīng)網(wǎng)絡(luò)來處理結(jié)構(gòu)化數(shù)據(jù)。講解元學(xué)習(xí)，幫助讀者用較少的訓(xùn)練樣本來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。后，介紹如何將深度學(xué)習(xí)應(yīng)用于自動駕駛。
閱讀本書，讀者將掌握與深度學(xué)習(xí)相關(guān)的關(guān)鍵概念，以及監(jiān)控和管理深度學(xué)習(xí)模型的方法。
本書讀者
本書適合數(shù)據(jù)科學(xué)家、深度學(xué)習(xí)工程師、研究人員閱讀，也適合想要掌握深度學(xué)習(xí)，并想建立自己的創(chuàng)新和獨特的深度學(xué)習(xí)項目的AI開發(fā)者閱讀。本書也將吸引希望通過使用真實的例子來精通高級用例和深度學(xué)習(xí)領(lǐng)域的方法的人。閱讀本書需要讀者了解深度學(xué)習(xí)和Python的基礎(chǔ)知識。
本書涵蓋的內(nèi)容
第1章簡要介紹什么是深度學(xué)習(xí)，然后討論神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)基礎(chǔ)。本章將討論神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型。更具體地說，我們將關(guān)注向量、矩陣和微分，還將深入討論一些梯度下降變化方法，如動量、Adam和Adadelta。除此之外，還將討論如何處理不平衡數(shù)據(jù)集。
第2章提供CNN的簡短描述。我們將討論CNN及其在CV中的應(yīng)用。
第3章討論一些先進的、廣泛使用的神經(jīng)網(wǎng)絡(luò)架構(gòu)，包括VGG、ResNet、MobileNet、GoogleNet、Inception、Xception和DenseNet。我們還將使用PyTorch實現(xiàn)ResNet和Xception/MobileNet。
第4章討論兩個重要的視覺任務(wù)：對象檢測和圖像分割。我們將提供實現(xiàn)過程。
第5章討論生成模型。特別是我們將討論生成對抗網(wǎng)絡(luò)和神經(jīng)類型的轉(zhuǎn)移，之后將實現(xiàn)特定的風(fēng)格轉(zhuǎn)換。
第6章介紹單詞和字符級語言模型。我們還將討論單詞向量(word2vec、Glove和fastText)，并使用Gensim實現(xiàn)它們。我們還將在自然語言工具包（Natural Language ToolKit，NLTK)的文本處理技術(shù)的幫助下，介紹為機器學(xué)習(xí)應(yīng)用程序(如主題建模和情感建模)準(zhǔn)備文本數(shù)據(jù)的高級技術(shù)和復(fù)雜過程。
第7章討論基本的循環(huán)網(wǎng)絡(luò)、LSTM和GRU單元。我們將為所有的網(wǎng)絡(luò)提供詳細(xì)的解釋和純Python實現(xiàn)。
第8章討論序列模型和注意力機制，包括雙向LSTM以及一個名為transformer的新架構(gòu)（該架構(gòu)具有編碼器和解碼器）。
第9章討論圖神經(jīng)網(wǎng)絡(luò)和具有記憶的神經(jīng)網(wǎng)絡(luò)，如神經(jīng)圖靈機(NTM)、可微神經(jīng)計算機和MANN。
第10章討論元學(xué)習(xí)教算法如何學(xué)習(xí)的算法。我們還將嘗試改進深度學(xué)習(xí)算法，使其能夠使用更少的訓(xùn)練樣本來學(xué)習(xí)更多的信息。
第11章探索深度學(xué)習(xí)在自動駕駛汽車上的應(yīng)用。我們將討論如何使用深度網(wǎng)絡(luò)來幫助車輛了解其周圍的環(huán)境。
如何充分利用本書
為了充分利用本書，需要熟悉Python并掌握一些機器學(xué)習(xí)的知識。本書包括對神經(jīng)網(wǎng)絡(luò)的主要類型的簡要介紹，即使你已經(jīng)熟悉神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識，這些介紹也會對你有所幫助。
下載示例代碼及彩色圖像
本書的示例代碼及所有截圖和樣圖，可以從http://www�眕acktpub�眂om通過個人賬號下載，也可以訪問華章圖書官網(wǎng)http://www�県zbook�眂om，通過注冊并登錄個人賬號下載。
本書的代碼包也托管在GitHub的https://github�眂om/PacktPublishing/Advanced�睤eep�睱earning�瞱ith�睵ython上。如果代碼有更新，它將在現(xiàn)有的GitHub存儲庫上更新。
我們還提供了一個PDF文件，其中有本書使用的屏幕截圖和圖表的彩色圖像。你可以在http://www�眕acktpub�眂om/sites/default/files/downloads/9781789956177_ColorImages�眕df下載。
排版約定
本書中使用了許多排版約定。
CodeInText：表示文本中的代碼、數(shù)據(jù)庫表名、文件夾名、文件名、文件擴展名、路徑名、用戶輸入和Twitter句柄。下面是一個示例:通過包含generator、discriminator和combined網(wǎng)絡(luò)來構(gòu)建完整的GAN模型。
書中代碼塊的風(fēng)格如下：

粗體：表示新術(shù)語、重要的詞，或你在屏幕上看到的詞。例如：一個實驗的所有可能結(jié)果(事件)的集合稱為樣本空間。
表示警告或重要說明。
表示提示和技巧。