deep-learning-with-python-notebooks 第二版配套 Notebooks 指南：基于 tf.keras 与 TensorFlow 2.16 的完整章节导览与运行说明-开发者社区

示例工程
教程
人工智能
深度学习

【免费下载链接】deep-learning-with-python-notebooks

Jupyter notebooks for the code samples of the book "Deep Learning with Python"

项目地址：https://gitcode.com/gh_mirrors/de/deep-learning-with-python-notebooks

导读

本篇文章聚焦开源仓库 deep-learning-with-python-notebooks 中second_edition/目录下的第二版（2021 年出版）配套 Jupyter Notebooks。这批笔记本以tf.keras与 TensorFlow 2.16 为基础，覆盖从张量数学基础到 Transformer、生成模型在内的 13 个章节共 19 个 notebook 文件。读完本文，你将掌握这批 notebooks 的章节组织结构、每个 notebook 的核心技术内容、代码中实际使用的 Keras API 形态，以及在本仓库中定位与运行它们的完整方法。

第二版 Notebooks 概览：技术与版本定位

second_edition/README.md是一份简短而明确的索引文档，核心声明如下：这些 notebook 对应《Deep Learning with Python》第二版（2021 年出版），全部使用tf.keras，运行在 TensorFlow 2.16 之上。

这句话定义了整批 notebook 的技术基线：与仓库根目录下面向第三版（2025 年出版）、采用 Keras 3 多后端（JAX/TensorFlow/PyTorch）的笔记本不同，第二版代码统一走from tensorflow import keras/from tensorflow.keras import layers这一经典 tf.keras 导入路径。这一点在仓库各 notebook 的源码单元格中可以得到印证，例如：

second_edition/chapter03_introduction-to-keras-and-tf.ipynb 中import tensorflow as tf、from tensorflow import keras、from tensorflow.keras import layers；
second_edition/chapter04_getting-started-with-neural-networks.ipynb 中from tensorflow.keras.datasets import imdb、from tensorflow.keras.datasets import reuters、from tensorflow.keras.datasets import boston_housing；
second_edition/chapter13_best-practices-for-the-real-world.ipynb 中keras.mixed_precision.set_global_policy("mixed_float16")与keras.callbacks.EarlyStopping。

如果你希望复现第三版（Keras 3、可选后端）或第一版（2017）的对应内容，可分别查看仓库根目录下的 chapterXX 系列与 first_edition 目录。本文只围绕第二版展开。

第二版章节目录全景

second_edition/README.md以目录（Table of contents）形式列出了全部章节对应的 notebook 文件名。下表为完整继承并转为仓库相对路径后的目录结构：

章节	主题	仓库中的 Notebook
Chapter 2	神经网络背后的数学构建块	chapter02_mathematical-building-blocks.ipynb
Chapter 3	Keras 与 TensorFlow 入门	chapter03_introduction-to-keras-and-tf.ipynb
Chapter 4	神经网络入门：分类与回归	chapter04_getting-started-with-neural-networks.ipynb
Chapter 5	机器学习基础	chapter05_fundamentals-of-ml.ipynb
Chapter 7	深入使用 Keras	chapter07_working-with-keras.ipynb
Chapter 8	深度学习用于计算机视觉入门	chapter08_intro-to-dl-for-computer-vision.ipynb
Chapter 9	深度学习用于计算机视觉进阶（三部分）	chapter09_part01_image-segmentation.ipynb（图像分割） chapter09_part02_modern-convnet-architecture-patterns.ipynb（现代卷积网络架构模式） chapter09_part03_interpreting-what-convnets-learn.ipynb（理解卷积网络学习的内容）
Chapter 10	深度学习用于时间序列	chapter10_dl-for-timeseries.ipynb
Chapter 11	深度学习用于文本（四部分）	chapter11_part01_introduction.ipynb（引言） chapter11_part02_sequence-models.ipynb（序列模型） chapter11_part03_transformer.ipynb（Transformer） chapter11_part04_sequence-to-sequence-learning.ipynb（序列到序列学习）
Chapter 12	生成式深度学习（五部分）	chapter12_part01_text-generation.ipynb（文本生成） chapter12_part02_deep-dream.ipynb（Deep Dream） chapter12_part03_neural-style-transfer.ipynb（神经风格迁移） chapter12_part04_variational-autoencoders.ipynb（变分自编码器） chapter12_part05_gans.ipynb（生成对抗网络）
Chapter 13	真实世界中的最佳实践	chapter13_best-practices-for-the-real-world.ipynb
Chapter 14	结论	chapter14_conclusions.ipynb

从内容覆盖看，第二版 notebooks 是一个完整的深度学习学习链路：基础数学 → 框架入门 → 分类/回归实战 → 机器学习原理 → Keras 深度使用 → 计算机视觉（CNN 入门、分割、架构模式、可解释性）→ 时间序列 → 文本（RNN、Transformer、Seq2Seq）→ 生成模型（文本生成、Deep Dream、风格迁移、VAE、GAN）→ 工程实践 → 总结。

章节内容纵深解析：从源码看每个 Notebook 的技术要点

第二版 README 只提供了章节标题与链接，其技术实质落在各个 notebook 的代码单元格中。以下结合仓库源码逐章展开，便于读者按图索骥。

Chapter 2：神经网络的数学构建块

chapter02_mathematical-building-blocks.ipynb 内部的小节标题给出了清晰的知识脉络：

A first look at a neural network（第一次看神经网络）：以 MNIST 手写数字分类为第一个完整示例，演示数据加载、模型构建、编译与训练的完整最小闭环；
Data representations for neural networks（数据的表示）：讲解标量、向量、矩阵、张量的概念与张量形状对模型的影响；
The gears of neural networks: tensor operations（神经网络的核心：张量运算）：涵盖逐元素运算、广播、点积、张量重塑等基础算子；
The engine of neural networks: gradient-based optimization（神经网络的引擎：基于梯度的优化）：介绍梯度、反向传播与优化器的配合方式；
Looking back at our first example与Summary（回看首个示例与小结）。

这一章是全书的"地基"，建议与书第 2 章正文配合阅读，重点理解张量运算如何构成网络前向传播。

Chapter 3：Keras 与 TensorFlow 入门

chapter03_introduction-to-keras-and-tf.ipynb 的核心是框架层。源码中出现了import tensorflow as tf、from tensorflow import keras与from tensorflow.keras import layers三行标准导入，是第二版所有 notebook 共用的导入模式。本章会介绍 TensorFlow 的基本张量操作、tf.Variable与自动微分机制，以及 Keras 高层 API 如何把底层运算封装成可复用的层与模型。

Chapter 4：神经网络入门——分类与回归

chapter04_getting-started-with-neural-networks.ipynb 是实操密度最高的一章，源码中包含了三个经典数据集的完整示例：

IMDB 影评情感分类（二分类）：from tensorflow.keras.datasets import imdb加载数据，构建keras.Sequential模型，通过model.compile(optimizer="rmsprop", loss="binary_crossentropy", metrics=["accuracy"])配置训练，再用model.fit(partial_x_train, ...)分段训练并预留验证集；
Reuters 新闻主题分类（多分类）：from tensorflow.keras.datasets import reuters加载数据，同样使用Sequential与 rmsprop 优化器，损失函数切换为多分类交叉熵，验证集划分方式一致；
Boston 房价回归（回归任务）：from tensorflow.keras.datasets import boston_housing，model.compile(optimizer="rmsprop", loss="mse", metrics=["mae"])使用均方误差与平均绝对误差，训练流程包含 K 折交叉验证（多个model.fit(partial_train_data, partial_train_targets, ...)调用）。

三个示例共同演示了二分类、多分类、回归三种任务在 tf.keras 中的统一工作流：加载数据 → 构建Sequential→compile指定优化器/损失/指标 →fit训练。

Chapter 5：机器学习基础

chapter05_fundamentals-of-ml.ipynb 聚焦泛化、过拟合、欠拟合、正则化等概念，与 Chapter 4 的实操形成理论与实践的呼应。阅读时建议重点对照书中第 5 章的插图与概念表格。

Chapter 7：深入使用 Keras

chapter07_working-with-keras.ipynb 深入 Keras 建模 API。源码中可以看到两种构建Sequential模型的方式：

from tensorflow import keras from tensorflow.keras import layers # 方式一：构造时一次性传入层列表 model = keras.Sequential([ layers.Dense(64, activation="relu"), layers.Dense(10, activation="softmax") ]) # 方式二：先建空模型再逐层 add model = keras.Sequential() model.add(layers.Dense(64, activation="relu")) model.add(layers.Dense(10, activation="softmax"))

layers.Dense(units, activation=...)中units为神经元数、activation可选"relu"、"softmax"、"sigmoid"等。本章还会涉及函数式 API（keras.Input与层调用链）、Model子类化、自定义训练循环、回调函数（Callbacks）等进阶主题，是理解 tf.keras 全貌的关键章节。

Chapter 8：计算机视觉入门

chapter08_intro-to-dl-for-computer-vision.ipynb 从零开始搭建卷积神经网络，覆盖卷积层、池化层、Dropout 与数据增强等视觉任务核心组件，为 Chapter 9 的进阶内容铺路。

Chapter 9：计算机视觉进阶（三部分）

Chapter 9 被拆分为三个独立 notebook，主题各有侧重：

Part 1 图像分割：chapter09_part01_image-segmentation.ipynb，讲解语义分割任务与对应模型结构；
Part 2 现代卷积网络架构模式：chapter09_part02_modern-convnet-architecture-patterns.ipynb，覆盖残差连接、批归一化、深度可分离卷积、Xception 等现代架构设计模式；
Part 3 理解卷积网络学习的内容：chapter09_part03_interpreting-what-convnets-learn.ipynb，通过可视化卷积核、类激活热力图等手段解释 CNN 的决策依据。

Chapter 10：时间序列

chapter10_dl-for-timeseries.ipynb 处理序列数据的又一分支——时间序列预测，涵盖窗口化数据集构造、简单线性模型、RNN 与 CNN 在时间序列上的应用对比。

Chapter 11：文本深度学习（四部分）

Chapter 11 是文本处理专题，分四个 notebook：

Part 1 引言：chapter11_part01_introduction.ipynb，文本表示的入门与数据集准备；
Part 2 序列模型：chapter11_part02_sequence-models.ipynb，RNN、LSTM、GRU 等序列模型的原理与实现（源码中出现from tensorflow import keras与from tensorflow.keras import layers的标准导入）；
Part 3 Transformer：chapter11_part03_transformer.ipynb，自注意力机制与 Transformer 架构的完整实现（同样使用keras.layers构建多头注意力与位置编码）；
Part 4 序列到序列学习：chapter11_part04_sequence-to-sequence-learning.ipynb，Seq2Seq 模型与机器翻译等应用场景。

Chapter 12：生成式深度学习（五部分）

Chapter 12 是全书最具观赏性的部分，包含五个 notebook：

Part 1 文本生成：chapter12_part01_text-generation.ipynb，基于字符级或词级语言模型生成文本；
Part 2 Deep Dream：chapter12_part02_deep-dream.ipynb，通过梯度上升在图像中放大网络已学到的模式；
Part 3 神经风格迁移：chapter12_part03_neural-style-transfer.ipynb，把一张图像的内容与另一张图像的风格融合；
Part 4 变分自编码器（VAE）：chapter12_part04_variational-autoencoders.ipynb，概率潜在空间的图像生成模型；
Part 5 生成对抗网络（GAN）：chapter12_part05_gans.ipynb，生成器与判别器的对抗训练范式。

Chapter 13：真实世界最佳实践

chapter13_best-practices-for-the-real-world.ipynb 是工程化章节，源码中包含了多个直接可复用的实战模式：

标准导入：from tensorflow import keras、from tensorflow.keras import layers；
回调机制：keras.callbacks.EarlyStopping(monitor="val_loss", patience=5)——监控验证损失、连续 5 个 epoch 无改善即停止训练，防止过拟合并节省算力；
混合精度训练：keras.mixed_precision.set_global_policy("mixed_float16")——以 float16 参与部分计算、float32 做梯度累积，在支持的 GPU 上显著提升吞吐；
数据加载：(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()演示标准数据集接口。

Chapter 14：结论

chapter14_conclusions.ipynb 作为全书收尾，回顾整个学习路径，从理论、实践与生态三个维度做总结。

运行方式与前置条件

根据 README.md 对仓库总体的运行说明（同样适用于第二版 notebooks）以及second_edition/README.md的版本声明，运行这批 notebook 需注意：

依赖版本：第二版 notebooks 需要 TensorFlow 2.16 环境（tf.keras为 Keras 2.x API 形态）。请注意与第三版 notebook（Keras 3 多后端）的依赖差异，两者不能混用同一运行环境配置。
推荐平台：仓库主 README 建议在 Colab 上运行，它提供托管运行时与预装依赖；也支持本地搭建 Jupyter 环境运行。
硬件需求：默认的免费 GPU 运行时足以跑完书中所有代码；第 8 章及之后的视觉/生成类章节在更快的 GPU（如 Colab Pro）上训练耗时更短，可通过 Colab 菜单Runtime -> Change runtime type切换运行时类型。
数据集：第二版 notebook 使用的keras.datasets（IMDB、Reuters、Boston housing、MNIST 等）由 tf.keras 自带下载，无需额外注册；若运行涉及 Kaggle 数据的章节，仓库根目录 README.md 给出了kagglehub.login()会话登录与 Colab secrets（KAGGLE_USERNAME/KAGGLE_KEY）两种 Kaggle 凭证配置方式，第二版中同样适用。

阅读与使用建议

与书配套阅读：仓库根目录 README.md 明确指出，为了可读性，所有 notebook 只保留可运行的代码块与章节标题，省略了正文文字、插图与伪代码。因此最有效的学习方式是"notebook + 书"对照阅读：书提供概念解释，notebook 提供可直接运行的完整代码。
按顺序推进：第二版章节存在强依赖关系——Chapter 2/3 是基础，Chapter 4/5 建立建模与评估直觉，Chapter 7 之后逐步进入视觉、序列与生成等专项，Chapter 13 沉淀工程实践。建议沿目录顺序执行，每个 notebook 从头到尾运行一遍代码单元。
在仓库中快速定位：全部第二版 notebook 位于 second_edition 目录下，文件名即章节号，可通过上文的目录表按需跳转；同一主题的三版实现分别位于仓库根目录（第三版）、second_edition（第二版）与 first_edition（第一版），便于横向对比不同版本 Keras API 的演进。