用途：这是一份面向 Keras 3（多后端：JAX、TensorFlow、PyTorch）的深度学习实践指南，内容基于 François Chollet《Deep Learning with Python》第 2 版并更新至 Keras 3。适合在构建神经网络、图像卷积网络、时间序列与 NLP 模型时查阅。
主要能力：给出核心工作流——准备数据（归一化、划分训练/验证/测试、创建 tf.data.Dataset）、构建模型、编译、训练、评估。介绍三种建模 API：Sequential（简单层堆叠）、Functional（多输入输出、共享层、非线性拓扑）、Subclassing（通过 call() 方法获得完全灵活性）。提供损失与优化器选择速查：二分类用 binary_crossentropy + sigmoid，多分类（one-hot）用 categorical_crossentropy + softmax，多分类（整数标签）用 sparse_categorical_crossentropy + softmax，回归用 mse 或 mae 且无最终激活；优化器包括 rmsprop（默认）、adam、sgd（微调时可加动量）。还列出常用回调（EarlyStopping、ModelCheckpoint、TensorBoard）与两个工具脚本：quick_train.py（含标准回调与历史绘图的训练模板）、visualize_filters.py（通过梯度上升可视化卷积核模式）。
使用方式：按主题查阅对应参考文档，如 Keras 3 迁移（keras3_changes.md，建议先读，含多后端设置、keras.ops、import keras）、基础（basics.md）、Keras 深入（keras_working.md）、计算机视觉（computer_vision.md）、高级 CV（advanced_cv.md）、时间序列（timeseries.md）、NLP 与 Transformer（nlp_transformers.md）、生成式深度学习（generative_dl.md）、最佳实践（best_practices.md）。
适用场景：图像分类与分割、迁移学习、RNN/1D 卷积预测、文本处理与 Transformer、文本生成、VAE、GAN、风格迁移，以及 KerasTuner、混合精度、多 GPU/TPU 等实践。
限制：资料未提供具体安装命令、版本要求、收费或平台信息，暂未提供。