本书由流行深度学习框架Keras之父弗朗索瓦·肖莱执笔，通过直观的解释和丰富的示例帮助你构建深度学习知识体系。作者避免使用数学符号，转而采用Python代码来解释深度学习的核心思想。全书共计14章，既涵盖了深度学习的基本原理，又体现了这一迅猛发展的领域在近几年里取得的重要进展，包括Transformer架构的原理和示例。读完本书后，你将能够使用Keras解决从计算机视觉到自然语言处理等现实世界的诸多问题，包括图像分类、图像分割、时间序列预测、文本分类、机器翻译、文本生成等。
本书适合机器学习和深度学习领域的学生及从业者阅读。

张亮（hysic），毕业于北京大学物理学院，爱好机器学习和数据分析的核安全工程师，译有《Python数据处理》《Python机器学习基础教程》等。

第1章 什么是深度学习
1.1 人工智能、机器学习和深度学习
1.1.1 人工智能
1.1.2 机器学习
1.1.3 从数据中学习规则与表示
1.1.4 深度学习之“深度”
1.1.5 用三张图理解深度学习的工作原理
1.1.6 深度学习已取得的进展
1.1.7 不要相信短期炒作
1.1.8 人工智能的未来
1.2 深度学习之前：机器学习简史
1.2.1 概率建模
1.2.2 早期神经网络
1.2.3 核方法
1.2.4 决策树、随机森林和梯度提升机
1.2.5 回到神经网络
1.2.6 深度学习有何不同
1.2.7 机器学习现状
1.3 为什么要用深度学习，为什么是现在
1.3.1 硬件
1.3.2 数据
1.3.3 算法
1.3.4 新一轮投资热潮
1.3.5 深度学习的普及
1.3.6 这种趋势会持续下去吗
第2章 神经网络的数学基础
2.1 初识神经网络
2.2 神经网络的数据表示
2.2.1 标量（0阶张量）
2.2.2 向量（1阶张量）
2.2.3 矩阵（2阶张量）
2.2.4 3阶张量与更高阶的张量
2.2.5 关键属性
2.2.6 在NumPy中操作张量
2.2.7 数据批量的概念
2.2.8 现实世界中的数据张量实例
2.2.9 向量数据
2.2.10 时间序列数据或序列数据
2.2.11 图像数据
2.2.12 视频数据
2.3 神经网络的“齿轮”：张量运算
2.3.1 逐元素运算
2.3.2 广播
2.3.3 张量积
2.3.4 张量变形
2.3.5 张量运算的几何解释
2.3.6 深度学习的几何解释
2.4 神经网络的“引擎”：基于梯度的优化
2.4.1 什么是导数
2.4.2 张量运算的导数：梯度
2.4.3 随机梯度下降
2.4.4 链式求导：反向传播算法
2.5 回顾第一个例子
2.5.1 用TensorFlow从头开始重新实现第一个例子
2.5.2 完成一次训练步骤
2.5.3 完整的训练循环
2.5.4 评估模型
2.6 本章总结
第3章 Keras和TensorFlow入门
第4章 神经网络入门：分类与回归
第5章 机器学习基础
第6章 机器学习的通用工作流程
第7章 深入Keras
第8章 计算机视觉深度学习入门
第9章 计算机视觉深度学习进阶
第10章 深度学习处理时间序列
第11章 深度学习处理文本
第12章 生成式深度学习
第13章 适合现实世界的最佳实践
第14章 总结