《Deep Learning with Python》是一本由Francois Chollet著作，Manning Publications出版的Paperback圖書，本書定價：USD 49.99，頁數：350，特精心從網絡上整理的一些讀者的讀后感，希望對大家能有幫助。

《Deep Learning with Python》精選點評：

●作者是keras的開發者，非常適合深度學習入門

●進階牛書啊。之前的很多不太清楚的細節都講解到了。寫的非常流暢易懂，而且飽含深情(前三章))

●實操入門好書，在普及深度學習上有大功德。

●原來是keras的開發者…

●就是聽基礎的，其中的代碼質量還是很高的。

●keras作者出書，非常適合初學者。

●深度學習交給你的不僅僅是技術，還有人是如何認識事物的思想，而這也是與哲學更為接近的一部分，也是更為有趣的地方。越來越發現自然科學與哲學之間存在的千絲萬縷聯系是如此有趣，這也是我喜歡機器學習、模式識別的原因，超越技術之外的思想可以泛化到對世界的認知，而對“認知”過程和機理的了解則開啟了最為奇妙的認知旅程——認識自己，則認識世界。在看過《形而上學》之后，看康德會有不一樣的體會，而這些書應該也會為我看《GEB》奠定很好的基礎吧。

●看的第一本關于神經網絡的書，寫得很好很流暢。第三章往后全是干貨，基于Keras給出了很多基礎代碼實例，但沒有涉及到理論如SGD，backpropagation，適合需要快速上手的初學者。

●intro

●Keras作者新作，拿到電子版就一口氣讀了快兩章，不得不說，真的很喜歡，作者的文筆非常簡練，寫的通俗易懂，而且文中經常有獨到的見解，就像作者說的，其實深度學習原理并不復雜，通過講述力圖揭開深度學習神秘的面紗，使大家能夠對神經網絡有足夠的掌握，并通過keras這一建立在TensorFlow theano cntk的高級接口實現深度學習中的各種網絡，解決實際中的問題。#追加#終于完整讀完了一遍，2018年讀的第一本書

《Deep Learning with Python》讀后感(一)：future of deep learning

主要是記錄下我覺得最有用的一部分： the future of deep learning

1. models as programs/ program synthesi

2. beyond backprop and differentiable layers(我覺得不太現實，gradient-free optimization通常效率不夠)

另外提到end to end backprop沒有利用系統的層次性因此效率不足。改進是增加模塊性和層次性，引入解耦的訓練模塊以及同步機制，以一種層次化的方式?？梢躁P注下deepmind gradient synthesis的工作。

3.auto-ml

4.lifelong learning & modular subroutine reuse

《Deep Learning with Python》讀后感(二)：8.4節 VAE生成圖像 公式錯誤

電子版8.4節，從300頁開始出現了一個明顯的錯誤，包括代碼在內。

原文及代碼中 decoder 使用 z = z_mean + exp(z_log_variance) * epsilon 生成 latent space 中的一個點，再依靠這些點的分布生成圖像，這實際是對原圖像分布的還原過程。 高斯分布可以使用 N~(μ, σ) 來描述，但作者這里使用的是方差(variance)，方差相比標準差(σ sigma)多了一個平方符號。

所以正確算法應該是 “z = z_mean + exp(z_log_variance/2) * epsilon” ，或者直接使用標準差描述“z = z_mean + exp(z_log_sigma) * epsilon”。 另外，可以參見 keras 中 VAE 的實現代碼，使用的是 “z_mean + K.exp(z_log_var / 2) * epsilon”，可見作者書中確實錯了。 鏈接 keras/examples/variational_autoencoder.py

希望對大家有用。

《Deep Learning with Python》讀后感(三)：特別簡單優美的入門介紹

對于新手小白我來說是很好的入門介紹，從模型到應用都能略窺一二，順帶這個風格遷移真的很好玩兒，把我身處的城市畫成梵高的世界，希望以后能從模仿到創新實現突破吧。紐約風景Van Gogh Starry Night風格遷移畫作

在看這本書期間我正好在做學校的大作業，有很多實用的評價模型，調參的部分都用在了大作業中，學以致用，越來越覺得深度學習是個很有意思的內容。

《Deep Learning with Python》讀后感(四)：精讀一個月

這本書從6月11號那天老板遞到我手里，到今天剛好六周，在這期間我逐字逐句地啃了這本書，并在每周的周二和周五下午給組里的其他人講這本書，每次講3個小時。直到五分鐘前剛剛講完最后一章，寫了175頁的PPT。

感想從何談起呢？先說Keras吧，這本書的作者是Keras的作者，所以本書著重介紹Keras在deep learning中的各種用法。Keras非常容易上手，感覺用Keras寫deep learning的代碼就跟用Python一樣，可以方便地把想到的東西用幾行代碼表達出來。比如今天想寫個convnet+fully connected layer的model分類一下MNIST，如果用TensorFlow的話可能要前前后后寫很多代碼，但是用Keras的話只要不到十行就搞定了，然后就可以跑了，就跟跑“Hello World”一樣簡單。如果你想來個transfer learning，那也很簡單，Keras有很多訓練好的model，直接load一個，再在其上加一個fully connected layer，然后就能用訓練好的model來訓練分類自己的分類器了。很多Keras大?？隙ū任腋薪涷?#xff0c;我就不班門弄斧了。

總結

以上是生活随笔為你收集整理的python思想读后感_《Deep Learning with Python》读后感精选的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。