前言
本书涵盖了基于应用领域的新的深度学习模型、方法和实现。全书共四部分：
- 第一部分（第1章）介绍深度学习的构建和神经网络（NN）背后的数学知识。
- 第二部分（第2～4章）阐述卷积神经网络（CNN）及其在计算机视觉（CV）中的高级应用。你将学习在对象检测和图像分割应用中流行的CNN架构。之后，还将学习变分自编码器和生成对抗网络。
- 第三部分（第6～8章）阐述自然语言和序列处理。讲解如何使用神经网络提取复杂的单词向量表示。讨论各种类型的循环网络，如长短期记忆（LSTM）网络和门控循环单元（GRU）网络。之后，介绍如何在没有循环网络的情况下使用注意力机制处理序列数据。
- 第四部分（第9～11章）介绍如何使用图神经网络来处理结构化数据。讲解元学习，帮助读者用较少的训练样本来训练神经网络。最后，介绍如何将深度学习应用于自动驾驶。
阅读本书，读者将掌握与深度学习相关的关键概念，以及监控和管理深度学习模型的方法。
本书读者
本书适合数据科学家、深度学习工程师、研究人员阅读，也适合想要掌握深度学习，并想建立自己的创新和独特的深度学习项目的AI开发者阅读。本书也将吸引希望通过使用真实的例子来精通高级用例和深度学习领域的方法的人。阅读本书需要读者了解深度学习和Python的基础知识。
本书涵盖的内容
第1章简要介绍什么是深度学习，然后讨论神经网络的数学基础。本章将讨论神经网络的数学模型。更具体地说，我们将关注向量、矩阵和微分，还将深入讨论一些梯度下降变化方法，如动量、Adam和Adadelta。除此之外，还将讨论如何处理不平衡数据集。
第2章提供CNN的简短描述。我们将讨论CNN及其在CV中的应用。
第3章讨论一些先进的、广泛使用的神经网络架构，包括VGG、ResNet、MobileNet、GoogleNet、Inception、Xception和DenseNet。我们还将使用PyTorch实现ResNet和Xception/MobileNet。
第4章讨论两个重要的视觉任务：对象检测和图像分割。我们将提供实现过程。
第5章讨论生成模型。特别是我们将讨论生成对抗网络和神经类型的转移，之后将实现特定的风格转换。
第6章介绍单词和字符级语言模型。我们还将讨论单词向量（word2vec、Glove和fastText），并使用Gensim实现它们。我们还将在自然语言工具包（Natural Language ToolKit，NLTK）的文本处理技术的帮助下，介绍为机器学习应用程序（如主题建模和情感建模）准备文本数据的高级技术和复杂过程。
第7章讨论基本的循环网络、LSTM和GRU单元。我们将为所有的网络提供详细的解释和纯Python实现。
第8章讨论序列模型和注意力机制，包括双向LSTM以及一个名为transformer的新架构（该架构具有编码器和解码器）。
第9章讨论图神经网络和具有记忆的神经网络，如神经图灵机（NTM）、可微神经计算机和MANN。
第10章讨论元学习——教算法如何学习的算法。我们还将尝试改进深度学习算法，使其能够使用更少的训练样本来学习更多的信息。
第11章探索深度学习在自动驾驶汽车上的应用。我们将讨论如何使用深度网络来帮助车辆了解其周围的环境。
如何充分利用本书
为了充分利用本书，需要熟悉Python并掌握一些机器学习的知识。本书包括对神经网络的主要类型的简要介绍，即使你已经熟悉神经网络的基础知识，这些介绍也会对你有所帮助。
下载示例代码及彩色图像
本书的示例代码及所有截图和样图，可以从http://www.packtpub.com通过个人账号下载，也可以访问华章图书官网http://www.hzbook.com，通过注册并登录个人账号下载。
本书的代码包也托管在GitHub的https://github.com/PacktPublishing/Advanced-Deep-Learning-with-Python上。如果代码有更新，它将在现有的GitHub存储库上更新。
我们还提供了一个PDF文件，其中有本书使用的屏幕截图和图表的彩色图像。你可以在http://www.packtpub.com/sites/default/files/downloads/9781789956177_ColorImages.pdf下载。
排版约定
本书中使用了许多排版约定。
CodeInText：表示文本中的代码、数据库表名、文件夹名、文件名、文件扩展名、路径名、用户输入和Twitter句柄。下面是一个示例：“通过包含generator、discriminator和combined网络来构建完整的GAN模型。”
书中代码块的风格如下：
粗体：表示新术语、重要的词，或你在屏幕上看到的词。例如：“一个实验的所有可能结果（事件）的集合称为样本空间”。
表示警告或重要说明。
表示提示和技巧。