本文是读者对《Deep Learning with Python》的读后感，内容涵盖该书作为深度学习入门书籍的实用性，作者Keras开发者的身份增加了其权威性。书中详细介绍了深度学习的原理与实践，适合初学者快速上手。读者还指出了书中关于VAE生成图像公式的一个错误，并分享了学习过程中的应用体验与收获。
《Deep Learning with Python》是一本由Francois Chollet著作，Manning Publications出版的Paperback图书，本书定价：USD 49.99，页数：350，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。
《Deep Learning with Python》精选点评：
●作者是keras的开发者，非常适合深度学习入门
●进阶牛书啊。之前的很多不太清楚的细节都讲解到了。写的非常流畅易懂，而且饱含深情(前三章))
●实操入门好书，在普及深度学习上有大功德。
●原来是keras的开发者…
●就是听基础的，其中的代码质量还是很高的。
●keras作者出书，非常适合初学者。
●深度学习交给你的不仅仅是技术，还有人是如何认识事物的思想，而这也是与哲学更为接近的一部分，也是更为有趣的地方。越来越发现自然科学与哲学之间存在的千丝万缕联系是如此有趣，这也是我喜欢机器学习、模式识别的原因，超越技术之外的思想可以泛化到对世界的认知，而对“认知”过程和机理的了解则开启了最为奇妙的认知旅程——认识自己，则认识世界。在看过《形而上学》之后，看康德会有不一样的体会，而这些书应该也会为我看《GEB》奠定很好的基础吧。
●看的第一本关于神经网络的书，写得很好很流畅。第三章往后全是干货，基于Keras给出了很多基础代码实例，但没有涉及到理论如SGD，backpropagation，适合需要快速上手的初学者。
●intro
●Keras作者新作，拿到电子版就一口气读了快两章，不得不说，真的很喜欢，作者的文笔非常简练，写的通俗易懂，而且文中经常有独到的见解，就像作者说的，其实深度学习原理并不复杂，通过讲述力图揭开深度学习神秘的面纱，使大家能够对神经网络有足够的掌握，并通过keras这一建立在TensorFlow theano cntk的高级接口实现深度学习中的各种网络，解决实际中的问题。#追加#终于完整读完了一遍，2018年读的第一本书
《Deep Learning with Python》读后感(一)：future of deep learning
主要是记录下我觉得最有用的一部分： the future of deep learning
1. models as programs/ program synthesi
2. beyond backprop and differentiable layers(我觉得不太现实，gradient-free optimization通常效率不够)
另外提到end to end backprop没有利用系统的层次性因此效率不足。改进是增加模块性和层次性，引入解耦的训练模块以及同步机制，以一种层次化的方式。可以关注下deepmind gradient synthesis的工作。
3.auto-ml
4.lifelong learning & modular subroutine reuse
《Deep Learning with Python》读后感(二)：8.4节 VAE生成图像 公式错误
电子版8.4节，从300页开始出现了一个明显的错误，包括代码在内。
原文及代码中 decoder 使用 z = z_mean + exp(z_log_variance) * epsilon 生成 latent space 中的一个点，再依靠这些点的分布生成图像，这实际是对原图像分布的还原过程。 高斯分布可以使用 N~(μ, σ) 来描述，但作者这里使用的是方差(variance)，方差相比标准差(σ sigma)多了一个平方符号。
所以正确算法应该是 “z = z_mean + exp(z_log_variance/2) * epsilon” ，或者直接使用标准差描述“z = z_mean + exp(z_log_sigma) * epsilon”。 另外，可以参见 keras 中 VAE 的实现代码，使用的是 “z_mean + K.exp(z_log_var / 2) * epsilon”，可见作者书中确实错了。 链接 keras/examples/variational_autoencoder.py
希望对大家有用。
《Deep Learning with Python》读后感(三)：特别简单优美的入门介绍
对于新手小白我来说是很好的入门介绍，从模型到应用都能略窥一二，顺带这个风格迁移真的很好玩儿，把我身处的城市画成梵高的世界，希望以后能从模仿到创新实现突破吧。纽约风景Van Gogh Starry Night风格迁移画作
在看这本书期间我正好在做学校的大作业，有很多实用的评价模型，调参的部分都用在了大作业中，学以致用，越来越觉得深度学习是个很有意思的内容。
《Deep Learning with Python》读后感(四)：精读一个月
这本书从6月11号那天老板递到我手里，到今天刚好六周，在这期间我逐字逐句地啃了这本书，并在每周的周二和周五下午给组里的其他人讲这本书，每次讲3个小时。直到五分钟前刚刚讲完最后一章，写了175页的PPT。
感想从何谈起呢？先说Keras吧，这本书的作者是Keras的作者，所以本书着重介绍Keras在deep learning中的各种用法。Keras非常容易上手，感觉用Keras写deep learning的代码就跟用Python一样，可以方便地把想到的东西用几行代码表达出来。比如今天想写个convnet+fully connected layer的model分类一下MNIST，如果用TensorFlow的话可能要前前后后写很多代码，但是用Keras的话只要不到十行就搞定了，然后就可以跑了，就跟跑“Hello World”一样简单。如果你想来个transfer learning，那也很简单，Keras有很多训练好的model，直接load一个，再在其上加一个fully connected layer，然后就能用训练好的model来训练分类自己的分类器了。很多Keras大牛肯定比我更有经验，我就不班门弄斧了。
扫一扫
1656
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
