《Python深度学习》是一本由[美] 弗朗索瓦•肖莱著作，人民邮电出版社出版的平装图书，本书定价：119.00元，页数：320，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。

　　《Python深度学习》精选点评：

　　●keras 最佳入门

　　●看Python深度学习这本书的人是需要有一定基础，而且相对来说学到框架，我之前有看过一下深度学习的课程视频，所以书看起来会比较简单，现今社会发展壮大，人工智能领域取得的进展，深度学习技术就能解决这项问题，我把这本书分享给需要看的人，因为有限制，想要看的可以加群联系我：871458817

　　●表述简单易懂，读起来很舒服，适合入门 keras也确实感觉好用 推荐阅读。 话说要不是我偶然间发现自己书架上有这本书，又偶然间瞟了一眼定价，我是不会读完的。-_-|| 有点小贵，肉疼。o>_<o

　　●隔壁组的书，放假前被我揣回了家，过年的三天粗览了一遍。给了我一个直观的概念，有英文PDF版本，之后照着那个再进行实践。

　　●dl入门最佳读物，深入简出

　　●keras入门，感觉用keras还是把深度学习变成了黑盒，先看这本书学，再学理论和数学，自顶向下的学习。

　　●内容一些偏难，适合有一定基础的人

　　●非常好的一本深度学习入门书籍，主要侧重常用的三种模型：全连接网络、卷积神经网络、循环神经网络框架的构建，侧重于代码的搭建，理论部分需参考其他书籍。此外第四章感觉翻译不太好，需加强概念理解。

　　●绝对的良心好书。代码中许多关键点都有注释，对于机器学习比较难以理解的概念都给予了浅显易懂的说明。有Python和机器学习+深度学习的相关背景就可以读了，当然如果你有点TensorFlow的背景知识更好。 代码可以参考：https://github.com/zhuyuanxiang/deep-learning-with-python-notebooks 也可以访问链接：https://pan.baidu.com/s/1rDpWeknm13dyoyjsqu7zFg 提取码：eq5x

　　●精读！ 一。深度学习，一类非常有效假设空间。不同的问题（数据）又有更匹配的假设空间。好的假设空间能在有限的数据（经验）下学得更高效 二。一个假设空间通过深层结构（简单几何变换组合）对数据进行特征表示。参数即为学习到的知识。结构+参数，就像把纸团一步步展开、折平 三。深度学习爆发的三个原因：1.算法（参数初始化、优化器、模型结构）2.大数据 3.计算能力（GPU，软件集） 四。智能≠智慧：DL属于局部泛化，人类的学习是极端泛化

　　《Python深度学习》读后感(一)：作为主流的动态语言，Python不仅简单易学、移植性好，而且拥有强大丰富的库的支持。

　　作为主流的动态语言，Python不仅简单易学、移植性好，而且拥有强大丰富的库的支持。此外，Python强大的可扩展性，让开发人员既可以非常容易地利用C/C++编写Python的扩展模块，还能将Python嵌入到C/C++程序中，为自己的系统添加动态扩展和动态编程的能力。并且python远比C/C++、java等等简便许多。

　　《Python深度学习》读后感(二)：最容易入门的深度学习基础书

　　目前最通俗易懂的深度学习入门书，由Keras之父执笔。大神不但技术了得，文笔也不一般，真的就是为了让尽可能多的人能够使用深度学习而写的这本书，涵盖了深度学习的基础知识、Keras使用模式以及深度学习最佳实践。

　　学习本书需要具备基础的Python知识，但不需要深度学习或者机器学习经验，也不需要高深的数学知识，高中数学水平足以看懂本书。

　　译文流畅准确，难得的翻译作品。

　　《Python深度学习》读后感(三)：适合一口气读完的深度学习

　　最近实验用到卷积网络，使用了keras库，想找一个参考书，就买了这本

　　书写的很清楚，有助于帮助建立有用的对深度学习的直觉，也有很多有实质性的知道的干货

　　书中没有一个公式（作者努力避免这么做，其实有公式可能更好一点），对模型的介绍都属于不够细节但是能够帮助你知道一个大概，所以这本书很适合有一些深度学习的知识，但是又不够系统一知半解的读者

　　总之这是一根大概能够一周内读完的书，这本书也只是深度学习的一个入门读物

　　引用书中的一句话

深度学习的内容更像是炼金术而不是科学

　　培养利用深度学习解决问题的直接是很重要的（辛dun也说过）

　　《Python深度学习》读后感(四)：我的入门之书

　　第一次写书评，因为第一次看技术书感觉大有收获（也许是我看的不多）。

　　我之前学过c++，用python做过大作业，所以一开始用这本书感觉刚好，如果没有python基础，那可能不太适合。

　　这本书一个最大的优点就是可以实际上手，加深自己的理解，在上手的过程中，也越发理解到深度学习更像是工程，更需要经验。

　　从头到尾，我把书上每一个项目的代码在pycharm上跑了一遍，pycharm可以让我方便地操纵变量，实现一些想法，我的建议是，最好上手跑一遍代码，不要求快，但求理解，可以每敲一行，都在console运行一下，看看这一步带来的变化是什么，shape变化如何，这一层参数为何是这个值，思考这一步的意义是什么，是否不需要这么做，如果不这么做效果如何，要不要试一下等。在敲代码、想代码、做自己的假设实验过程中，编程能力得到了很大的提高，对深度学习的感觉也从之前的“天啊AI控制人类啦”到“本质是可微几何变换，对于复杂任务还有局限性”。

　　大师的书生动形象地将难得东西掰开讲，我觉得学习事物就是要这样，背公式不是聪明的做法，像拉马努金那样将抽象的事物直观到自己的大脑里，就如同看着自然景观一样，才是最高的境界。

　　结尾弗朗索瓦对深度学习未来的前景该如何发展让人眼界开阔，看完这本书，不只是在深度学习方面，更在其他方面得到了极大的锻炼，谢谢作者，谢谢您。

　　《Python深度学习》读后感(五)：写给自己的深度学习科普

　　读这本书的初衷的确是好奇。这两年深度学习大热，但是深度学习具体是个什么样的算法，适用于什么样的情景，和机器学习的关系是怎么样的，我完全不知，所以读完机器学习那本书，就跑过来读了这本，给自己科普一下什么是深度学习。

　　而读这本书的确是选对了。

　　首先提一下作者：弗朗索瓦·肖莱（François Chollet）。他谁呢？他是Keras之父、Google人工智能研究员。Keras是一个Python深度学习框架，可以方便地定义和训练几乎所有类型的深度学习模型，用户友好，有许多内置的常用网络算法，支持任意的网络架构，方便快速学习、开发、迭代深度学习模型。所以让这个给大家写了个Keras出来的人讲深度学习，的确就会更加深刻和精辟，像我这种一知半解的读者，读起来就尝尝会有醍醐灌顶之感了。

　　由于前面机器学习的模型还在不断的探索和优化，所以在读这本书时，我并没有进行实践。之后进行实践后可能会有更不一样的体会。不过目前进行的工作如果用深度学习的话可能真是“杀鸡用牛刀”了。

　　不论机器学习还是深度学习，我都是半路出家的，对于很多概念的理解总是笼罩着一层雾气，说明白吧也不是不明白，可要问起来讲起来，那也真是说不清楚。因此读这本书的时候有很多概念得到了澄清，也有很多非常具有启发性的地方。以下就散漫地谈谈。

人工智能、机器学习与深度学习的关系

　　人工智能

努力将通过由人类完成的智力任务自动化

　　机器学习

输入数据和从这些数据中预期得到的答案，系统输出的是规则，这些规则随后可应用于新的数据，并使计算机自主生成答案

　　机器学习比人工智能更“狭窄”了。人工智能中还有很大一部分的自动化任务是纯人工编写规则生成结果的，而机器学习则是让机器寻找规则，即“训练”，最后用这个规则生成结果。一直以来对于机器的训练过程，或者说机器学习的学习过程，业界一直叫做“黑箱”。

　　深度学习

　　深度学习又比机器学习“狭窄”了，它是机器学习的一个分支领域，解决一些特定的场景问题，比如图像和语音识别，整体的逻辑是机器学习的逻辑，内核则是神经网络算法。

理解学习，理解深度

　　以上一些定义和描述就是对于人工智能、机器学习和深度学习的浅显的认识，本书中对于什么是学习的讨论非常有启发。之前以为“黑箱”就是一堆或深澳或酷炫的数学过程，这么认为没有错，过程的实质的确是一些数学变换，但是这些变换的目的和意义是什么呢？

机器学习和深度学习的核心问题在于有意义地变换数据，换句话说，在于学习输入数据的有用表示（representation）——这种表示可以让数据更接近预期输出。

　　当我看到表示（representation）一词的时候，立马感到了Aha效应。

　　首先，represenation一词在心理学领域通常翻译为“表征”。心理学的表征概念是指世界在我们每个人心理的反映，它是我们理解这世界的重要媒介或者说中介。也可以说，我们看到的是我们脑内生成的表征，是对外部世界的一种表示，借用《时间的秩序》中的一个名词的话，可以说是对于外部世界的“模糊近似”。回到本书，作者所说的“表示”，和我们心理学里的表征是同一个概念。只是更加工程化。

　　那么，“什么是表示？这一概念的核心在于以一种不同的方式来查看数据（即表征数据或将数据编码）。例如，彩色图像可以编码为RGB（红- 绿- 蓝）格式或HSV（色相- 饱和度- 明度）格式，这是对相同数据的两种不同表示。在处理某些任务时，使用某种表示可能会很困难，但换用另一种表示就会变得很简单。”其实这个例子也是源自我们生理的表征方式，RGB和HSV的这两种表征，在视觉系统中有着其生理对应，即视锥细胞和视杆细胞，虽然整个作用过程并没有那么简单。

　　只不过“机器学习模型都是为输入数据寻找合适的表示——对数据进行变换，使其更适合手头的任务（比如分类任务）。”而人脑是通过与周遭环境的共同进化找到了合适的表征方式，解释世界合理的“模糊近似”。

　　最后再说说深度，深度“指的是一系列连续的表示层，数据模型中包含多少层，被称为模型的深度（depth）。”“这些分层表示几乎总是通过叫作神经网络（neural network）的模型来学习得到的。”因此不得不简单说说神经网络算法。

　　神经网络算法可以说是一个很传统的算法了。本科的时候我修了一门计算机学院的数据挖掘的课，课上就接触到了神经网络算法，看到那么多的“神经元”和联结，就自然以为是在模仿神经元的联结模式。实际上，神经网络不是大脑的模型，虽然这些概念的灵感的确来自于大脑，不过最后生成的概念或输出的结果的过程的确是不一样的，而且人脑这个人类最后的未解之谜，其本身到底遵循怎么样的“算法”、以及底层的生物基础是如何相互作用的还处于探索与知识积累的阶段。所以人工神经网络算法的逻辑相对于生物基础就简单多了。

　　如上图所示，神经网络算法的逻辑就是把原始数据输入进多层网络中，每层网络对于数据进行一些计算，计算的结果又输入下一层网络，直到输出最终的结果。用之前学习的逻辑来表述就是“强调从连续的层中进行学习，这些层对应于越来越有意义的表示”

三张图搞懂深度学习原理（以下为节选）

　　自主学到的是什么：权重

　　当我们把原始数据输入到神经网络中之后，神经网络就开始“自动”学习这些数据，

神经网络中每层对输入数据所做的具体操作保存在该层的权重（weight）中，其本质是一串数字。用术语来说，每层实现的变换由其权重来参数化（parameterize，见图1-7）。权重有时也被称为该层的参数（parameter）。在这种语境下，学习的意思是为神经网络的所有层找到一组权重值，使得该网络能够将每个示例输入与其目标正确地一一对应。但重点来了：一个深度神经网络可能包含数千万个参数。找到所有参数的正确取值可能是一项非常艰巨的任务，特别是考虑到修改某个参数值将会影响其他所有参数的行为。

　　如何学到想要学习的-损失函数

想要控制一件事物，首先需要能够观察它。想要控制神经网络的输出，就需要能够衡量该输出与预期值之间的距离。这是神经网络损失函数（loss function）的任务，该函数也叫目标函数（objective function）。损失函数的输入是网络预测值与真实目标值（即你希望网络输出的结果），然后计算一个距离值，衡量该网络在这个示例上的效果好坏（见图1-8）。

　　如何反馈学习结果-优化器

深度学习的基本技巧是利用这个距离值作为反馈信号来对权重值进行微调，以降低当前示例对应的损失值（见图1-9）。这种调节由优化器（optimizer）来完成，它实现了所谓的反向传播（backpropagation）算法，这是深度学习的核心算法。一开始对神经网络的权重随机赋值，因此网络只是实现了一系列随机变换。其输出结果自然也和理想值相去甚远，相应地，损失值也很高。但随着网络处理的示例越来越多，权重值也在向正确的方向逐步微调，损失值也逐渐降低。这就是训练循环（training loop），将这种循环重复足够多的次数（通常对数千个示例进行数十次迭代），得到的权重值可以使损失函数最小。具有最小损失的网络，其输出值与目标值尽可能地接近，这就是训练好的网络。再次强调，这是一个简单的机制，一旦具有足够大的规模，将会产生魔法般的效果。

　　以上就是有关深度学习的简单介绍。学习知识呢，真是常读常新的过程，随着不断的学习和实操，对于深度学习的理解也会更加深度和多元。