Python 深度学习

GAN生成式对抗网络Generative Adversarial Network。和 VAE 一样，是用来学习图像的潜在空间的。这东西可以生成非常逼真的图像，其产物与真实图像在统计上别无二致

潜在空间是一个向量空间，其中任意点都可以被映射为一张逼真的图像。VAE 善于学习具有良好结构的潜在空间，其中的特定方向可以编码(表示)数据中一个有意义的变化的轴。

神经风格迁移(neural style transfer)，基于深度学习的神经网络，将参考图像的风格应用于目标图像，同时保留目标图像的内容，创造出新的图像。

DeepDream 是一种让机器修改图像技术，它利用卷积神经网络，可以作出很迷幻的图像。DeepDream 使用的算法与卷积神经网络过滤器可视化技术很类似。在 DeepDream 中，我们尝试将所有层

使用 LSTM 生成文本 序列数据的生成 采样策略 字符级 LSTM 文本生成实现 数据准备 构建网络 训练语言模型并从中采样 基于词嵌入的文本生成

Deep Learning with Python 让模型性能发挥到极致 如果你只是想搞出个还不错的模型，无脑随便尝试各种网络架构基本就可以了。但如果你要开发出性能卓越、做到极致的模型，你就需要考虑

训练中将回调函数作用于模型 使用 callback 编写自己的回调函数 TensorBoard 简介: TensorFlow 的可视化框架

利用 Keras 函数式 API 可以更灵活地，基于有向无环图，构建出复杂结构的神经网络，例如： 多输入模型 多输出模型 残差连接 共享层权重 活用这些技术，就可以构建出更强大的模型

这是我参与8月更文挑战的第9天，活动详情查看：8月更文挑战 Deep Learning with Python 这篇文章是我学习《Deep Learning with Python》(第二版，Fran

这是我参与8月更文挑战的第8天，活动详情查看：8月更文挑战 Deep Learning with Python 这篇文章是我学习《Deep Learning with Python》(第二版，Fran

这是我参与8月更文挑战的第7天，活动详情查看：8月更文挑战 Deep Learning with Python 这篇文章是我学习《Deep Learning with Python》(第二版，Fran

本文为学习《Deep Learning with Python》(第二版，François Chollet) 第6章 深度学习用于文本和序列。要用深度学习的神经网络处理文本数据，和图片类似，也要把数据

现在已经有很多种不同的方法可以从不同角度把卷积神经网络可视化，并合理解释其意义。本文介绍其中几种。 卷积神经网络的可视化 可视化中间激活 可视化卷积神经网络的过滤器 可视化图像中类激活的热力图

对于小型图像数据集，我们常用的一种高效的方法是利用预训练网络（pretrained network）来构建深度学习模型。预训练网络是之前在大型数据集上训练好的网络（通常是在大型图片分类任务上训练好的）

卷积神经网络简介 卷积 卷积神经网络 卷积层 卷积运算 边界效应和填充 卷积步幅 最大池化 在小型数据集上从头训练一个卷积神经网络 下载数据 构建网络 数据预处理 数据增强

机器学习的四个分支、模型评估。划分训练集、验证集和测试集。简单留出验证、K折验证。数据预处理、特征工程和特征学习，过拟合和欠拟合:增加训练数据,减小网络大小添加权重正则化添加dropout.机器学习流

学习《Deep Learning with Python》(第二版，François Chollet) 第3章 神经网络入门 的笔记。二分类、多分类、回归问题。

学习《Deep Learning with Python》(第二版，François Chollet 著) 第2章 开始之前：神经网络背后的数学 的笔记。