wehub-resource-sync
68 lines
6.1 KiB
Markdown
68 lines
6.1 KiB
Markdown
<!-- WEHUB_ZH_README -->
|
||
> [!NOTE]
|
||
> 本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
|
||
> [English](./README.en.md) · [原始项目](https://github.com/fchollet/deep-learning-with-python-notebooks) · [上游 README](https://github.com/fchollet/deep-learning-with-python-notebooks/blob/HEAD/README.md)
|
||
> 原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。
|
||
|
||
# 《Python 深度学习》配套 Jupyter 笔记本
|
||
|
||
本仓库包含实现了书中代码示例的 Jupyter 笔记本，对应书籍 [《Python 深度学习》第三版（2025）](https://www.manning.com/books/deep-learning-with-python-third-edition?a_aid=keras&a_bid=76564dff)
|
||
，作者为 Francois Chollet 和 Matthew Watson。此外，你还可以找到 [第二版（2021）](https://www.manning.com/books/deep-learning-with-python-second-edition?a_aid=keras&a_bid=76564dff)
|
||
以及 [第一版（2017）](https://www.manning.com/books/deep-learning-with-python?a_aid=keras&a_bid=76564dff).
|
||
的旧版笔记本。
|
||
|
||
为提高可读性，这些笔记本仅包含可运行的代码块和章节标题，省略了书中其余内容：文字段落、插图和伪代码。
|
||
**若想跟上讲解脉络，建议你将笔记本与手中的纸质书或电子书对照阅读。**
|
||
|
||
## 运行代码
|
||
|
||
我们建议在 [Colab](https://colab.google), 上运行这些笔记本，它
|
||
提供托管运行时，并已预装你所需的全部依赖。你也可以在本地运行这些笔记本：自行搭建 Jupyter 环境，或按照 Colab 的
|
||
[本地运行](https://research.google.com/colaboratory/local-runtimes.html).
|
||
说明操作。
|
||
|
||
默认情况下，所有笔记本都会在 Colab 的免费 GPU 运行时上执行，足以运行本书全部代码。若你订阅了 Colab Pro，第 8–18 章在更快的 GPU 上会运行得更顺畅。可在 Colab 下拉菜单中使用 **Runtime -> Change runtime type** 更改运行时类型。
|
||
|
||
## 选择后端
|
||
|
||
第三版代码使用 Keras 3 编写，因此可选用 JAX、TensorFlow 或 PyTorch 作为后端。要设置后端，请修改 Colab 顶部类似下面示例的单元格中的 backend 设置：
|
||
|
||
```python
|
||
import os
|
||
os.environ["KERAS_BACKEND"] = "jax"
|
||
```
|
||
|
||
每个会话在导入 Keras 之前只需执行一次。若你正在运行笔记本中途切换后端，需要重启笔记本会话并重新运行所有相关单元格。可在 Colab 下拉菜单中使用 **Runtime -> Restart Session** 完成重启。
|
||
|
||
## 使用 Kaggle 数据
|
||
|
||
本书使用由 Kaggle——一个在线机器学习（Machine Learning）社区与平台——提供的数据集和模型权重。运行书中的 Kaggle 相关代码前，你需要创建 Kaggle 账号；具体说明见第 8 章。
|
||
|
||
对于需要 Kaggle 数据的章节，当你运行到包含 `kagglehub.login()` 的笔记本单元格时，可在每个会话中登录一次 Kaggle。或者，你也可以将 Kaggle 登录信息一次性配置为 Colab secrets：
|
||
|
||
* 访问 https://www.kaggle.com/ 并登录。
|
||
* 访问 https://www.kaggle.com/settings 并生成 Kaggle API 密钥。
|
||
* 点击左侧钥匙图标，打开 Colab 的 secrets 标签页。
|
||
* 添加两个 secrets：`KAGGLE_USERNAME` 和 `KAGGLE_KEY`，分别填入你刚创建的用户名与密钥。
|
||
|
||
按这种方式，你只需复制一次 Kaggle 密钥，但在运行相关 Kaggle 代码时，仍需允许每个笔记本访问你的 secrets。
|
||
|
||
## 目录
|
||
|
||
* [第 2 章：神经网络的数学构建块](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter02_mathematical-building-blocks.ipynb)
|
||
* [第 3 章：TensorFlow、PyTorch、JAX 与 Keras 简介](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter03_introduction-to-ml-frameworks.ipynb)
|
||
* [第 4 章：分类与回归](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter04_classification-and-regression.ipynb)
|
||
* [第 5 章：机器学习基础](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter05_fundamentals-of-ml.ipynb)
|
||
* [第 7 章：深入 Keras](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter07_deep-dive-keras.ipynb)
|
||
* [第 8 章：图像分类](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter08_image-classification.ipynb)
|
||
* [第 9 章：卷积网络（ConvNet）架构模式](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter09_convnet-architecture-patterns.ipynb)
|
||
* [第 10 章：解读卷积网络学到了什么](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter10_interpreting-what-convnets-learn.ipynb)
|
||
* [第 11 章：图像分割](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter11_image-segmentation.ipynb)
|
||
* [第 12 章：目标检测](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter12_object-detection.ipynb)
|
||
* [第 13 章：时间序列预测](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter13_timeseries-forecasting.ipynb)
|
||
* [第 14 章：文本分类](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter14_text-classification.ipynb)
|
||
* [第 15 章：语言模型与 Transformer](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter15_language-models-and-the-transformer.ipynb)
|
||
* [第 16 章：文本生成](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter16_text-generation.ipynb)
|
||
* [第 17 章：图像生成](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter17_image-generation.ipynb)
|
||
* [第 18 章：真实场景最佳实践](https://colab.research.google.com/github/fchollet/deep-learning-with-python-notebooks/blob/master/chapter18_best-practices-for-the-real-world.ipynb)
|