《Python深度学习入门： 从基础知识到实践应用》全面细致地讲解了深度学习的基础知识及其应用，具体内容包括深度学习开发环境的准备、Python的基础知识，以及深度学习模型的使用与开发等。书中充分结合了实例，对深度学习的概念、模型和程序语句进行了深入浅出的介绍，尤其是重点介绍了使用迁移学习的“NyanCheck”应用程序如何识别图像的种类，全面剖析了深度学习在实际中的应用。

目录

译者序

原书前言

本书的读者对象和阅读本书所需的必要知识

本书的构成

第1 部分  Python入门篇

第0 章 开发环境的准备 001

0.1 Anaconda 的安装 002

0.1.1 Anaconda 的安装方法 002

0.1.2 虚拟环境的搭建 006

0.1.3 库的安装 008

0.1.4 Jupyter 的启动和安装 009

0.2 Google Colaboratory 的使用 012

0.3 macOS 中虚拟环境的搭建 013

第1 章 运算、变量和类型 017

1.1 输出Hello world 018

1.1.1 关于Python 018

1.1.2 使用Python 输出Hello world 018

1.2 Python 的用途 019

1.3 注释的输入 020

1.4 数字和字符串 021

1.5 运算 023

1.6 变量 026

1.6.1 变量的定义 026

1.6.2 变量的命名规则 026

1.7 变量的更新 030

1.8 字符串的拼接 035

1.9 类型 037

1.10 类型的转换 040

1.11 比较运算符的转换 043

第2 章 if 条件语句 045

2.1 if 语句 046

2.2 else 语句 049

2.3 elif 语句 051

2.4 and、not、or 054

第3 章 列表类型 057

3.1 列表类型① 058

3.2 列表类型② 060

3.3 list in list 062

3.4 列表的取值 064

3.5 列表的切片 066

3.6 列表元素的更新和添加 069

3.7 列表元素的删除 071

3.8 列表类型的注意要点 073

第4 章 字典类型 077

4.1 什么是字典类型 078

4.2 字典的取值 080

4.3 字典的更新和添加 082

4.4 字典元素的删除 084

第5 章 while 语句 087

5.1 什么是while 语句 088

5.2 while 语句的使用 090

5.3 while+if 语句的使用 092

第6 章 for 语句 095

6.1 什么是for 语句 096

6.2 什么是break 语句 098

6.3 什么是continue 语句 100

6.4 for 语句中的索引表示 102

6.5 列表嵌套循环 104

6.6 字典类型的循环 106

第7 章 函数与方法 109

7.1 函数的基础与内置函数 110

7.2 函数与方法的说明 114

7.3 字符串类型的方法 117

7.4 字符串类型的方法（format） 119

7.5 列表类型的方法（index） 121

7.6 列表类型的方法（sort） 123

7.7 定义一个函数 126

7.8 参数 128

7.9 多个参数 130

7.10 参数的默认值 132

7.11 return 134

7.12 函数的import 137

第8 章 对象和类 141

8.1 对象 142

8.2 类（成员和构造方法） 144

8.3 类（方法） 147

8.4 字符串的格式化 151

第2 部分

深度学习篇

第9 章 NumPy 与数组 155

9.1 NumPy 简介 156

9.2 NumPy 的import 157

9.3 NumPy 与列表的比较 158

9.4 array 的创建 160

9.4.1 关于array 的创建 160

9.4.2 数组形状的指定方法 160

9.4.3 基于数组范围创建数组的方法 161

9.5 元素的访问 163

9.6 np.array 的属性 165

9.7 slice 167

9.8 数组特定元素的访问 169

9.9 数组的运算 171

9.10 np.array 的形状操作 173

9.11 数组的合并 177

9.12 数组的分割 179

9.13 数组的复制 180

9.14 数组的多种运算 181

9.15 广播 186

第10 章 Pandas 与DataFrame 189

10.1 Pandas 简介 190

10.2 DataFrame 的创建 193

10.3 DataFrame 的表示 195

10.4 统计量的表示 198

10.5 DataFrame 的排序（sort） 199

10.6 DataFrame 的筛选 201

10.7 特定条件的取值 205

10.8 列的添加 206

10.9 DataFrame 的运算 207

10.10 复杂的运算 211

10.11 DataFrame 的合并 213

10.12 分组 218

10.13 图表的表示 220

第11 章 单层感知器 225

11.1 单层感知器简介 226

11.1.1 什么是单层感知器 226

11.1.2 关于单层感知器的学习 226

11.2 单层感知器的实际操作 230

11.2.1 NumPy 和Keras 的模块导入 230

11.2.2 学习网络定义 230

11.2.3 神经网络的输入和监督信号的设定 231

11.2.4 学习的设置与实行 231

11.2.5 学习权重的确认 233

11.2.6 学习的神经网络的输出确认 234

第12 章 深度学习入门 235

12.1 深度学习简介 236

12.1.1 什么是深度学习 236

12.1.2 多层感知器的学习方法 236

12.2 CrossEntropy 239

12.3 softmax 240

12.4 SGD 241

12.5 梯度消失问题 242

12.6 深度学习的应用 244

12.7 利用全连接神经网络进行分类 246

12.8 利用全连接神经网络进行分类（CIFAR10） 249

12.9 卷积层神经网络简介 253

12.9.1 深度学习中层的种类 253

12.9.2 什么是卷积层神经网络 253

12.9.3 卷积层神经网络的计算方法 254

12.10 批量正则化 256

12.11 Global Average Pooling 257

12.12 Keras 267

12.12.1 什么是Keras 267

12.12.2 Keras 的Sequence 模型与Model API 267

12.12.3 Keras 的编程实例 268

第13 章 迁移学习与NyanCheck 开发 271

13.1 迁移学习简介 272

13.2 关于NyanCheck 273

13.3 NyanCheck 应用程序的构成 274

13.3.1 样本NyanCheck 应用程序的构成 274

13.3.2 HTML 的模板 274

13.3.3 脚本的应用 276

13.3.4 服务器端的处理 277

13.3.5 猫种类识别的操作 281

13.4 数据的收集、整理和分类 284

13.4.1 猫种类的判别 284

13.4.2 图像获取的操作 286

13.5 数据的扩充及学习 294

13.5.1 模块的import 294

13.5.2 数据的学习 294

13.5.3 模型的编译 297

13.5.4 运行应用程序 302

13.6 关于Google Cloud Platform 305

13.7 Google Cloud Platform 的设置 306

13.8 Google Cloud SDK 的设置 314

13.9 Anaconda 的设置 318

13.10 启动NyanCheck 323