中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
用Python實現深度學習框架 版權信息
- ISBN：9787115548375
- 條形碼：9787115548375 ; 978-7-115-54837-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
用Python實現深度學習框架 本書特色
1.大咖推薦：復旦大學計算機學院教授邱錫鵬、一流科技創始人兼CEO袁進輝（@老師木）、格靈深瞳創始人兼CEO趙勇、奇虎360集團副總裁鄧亞峰聯合推薦 2.干貨滿滿：從零開始用Python實現自己的深度學習框架，搭建從邏輯回歸到卷積神經網絡的各類模型和網絡，涵蓋模型的訓練、評估、保存與部署等工程問題 3.聚焦實戰：360智能工程部高級機器學習算法工程師傾力打造 4.提供源代碼這是一本引人入勝的書，它通過由淺入深的講解讓你了解深度學習的原理、模型和實現方法，內容清晰易懂，表達生動形象。當從零開始一步一步實現一個深度學習框架MatrixSlow后，你會更加深入地理解深度學習的奧秘，進而快速提升自己的能力。 --邱錫鵬，復旦大學計算機學院教授
用Python實現深度學習框架 內容簡介
本書帶領讀者用原生Python語言和Numpy線性代數庫實現一個基于計算圖的深度學習框架MatrixSlow（類似簡易版的PyTorch、TensorFlow或Caffe）。全書分為三個部分。部分是原理篇，實現了MatrixSlow框架的核心基礎設施，并基于此講解了機器學習與深度學習的概念和原理，比如模型、計算圖、訓練、梯度下降法及其各種變體。第二部分是模型篇，介紹了多種具有代表性的模型，包括邏輯回歸、多層全連接神經網絡、因子分解機、Wide & Deep、DeepFM、循環神經網絡以及卷積神經網絡，這部分除了著重介紹這些模型的原理、結構以及它們之間的聯系外，還用MatrixSlow框架搭建并訓練它們以解決實際問題。第三部分是工程篇，討論了一些與深度學習框架相關的工程問題，內容涉及訓練與評估，模型的保存、導入和服務部署，分布式訓練，等等。
用Python實現深度學習框架 目錄
第 一部分 原理篇
第 1章 機器學習與模型 2
1．1 模型 2
1．2 參數與訓練 4
1．3 損失函數 9
1．4 計算圖的訓練 10
1．5 小結 12
第 2章 計算圖 13
2．1 什么是計算圖 13
2．2 前向傳播 14
2．3 函數優化與梯度下降法 18
2．4 鏈式法則與反向傳播 29
2．5 在計算圖上執行梯度下降法 36
2．6 節點類及其子類 36
2．7 用計算圖搭建ADALINE并訓練 44
2．8 小結 48
第3章 優化器 49
3．1 優化流程的抽象實現 49
3．2 BGD、SGD和MBGD 53
3．3 梯度下降優化器 58
3．4 樸素梯度下降法的局限 60
3．5 沖量優化器 61
3．6 AdaGrad優化器 62
3．7 RMSProp優化器 64
3．8 Adam優化器 65
3．9 小結 68
第二部分 模型篇
第4章 邏輯回歸 70
4．1 對數損失函數 70
4．2 Logistic函數 73
4．3 二分類邏輯回歸 75
4．4 多分類邏輯回歸 78
4．5 交叉熵 81
4．6 實例：鳶尾花 85
4．7 小結 88
第5章 神經網絡 90
5．1 神經元與激活函數 90
5．2 神經網絡 95
5．3 多層全連接神經網絡 99
5．4 多個全連接層的意義 101
5．5 實例：鳶尾花 108
5．6 實例：手寫數字識別 110
5．7 小結 116
第6章 非全連接神經網絡 117
6．1 帶二次項的邏輯回歸 117
6．2 因子分解機 124
6．3 Wide & Deep 132
6．4 DeepFM 137
6．5 實例：泰坦尼克號幸存者 141
6．6 小結 150
第7章 循環神經網絡 151
7．1 RNN的結構 151
7．2 RNN的輸出 152
7．3 實例：正弦波與方波 155
7．4 變長序列 159
7．5 實例：3D電磁發音儀單詞識別 164
7．6 小結 167
第8章 卷積神經網絡 168
8．1 蒙德里安與莫奈 168
8．2 濾波器 170
8．3 可訓練的濾波器 176
8．4 卷積層 183
8．5 池化層 186
8．6 CNN的結構 189
8．7 實例：手寫數字識別 190
8．8 小結 194
第三部分 工程篇
第9章 訓練與評估 196
9．1 訓練和Trainer訓練器 196
9．2 評估和Metrics節點 202
9．3 混淆矩陣 204
9．4 正確率 204
9．5 查準率 206
9．6 查全率 206
9．7 ROC曲線和AUC 208
9．8 小結 211
第 10章 模型保存、預測和服務 212
10．1 模型保存 213
10．2 模型加載和預測 216
10．3 模型服務 216
10．4 客戶端 222
10．5 小結 223
第 11章 分布式訓練 224
11．1 分布式訓練的原理 224
11．2 基于參數服務器的架構 230
11．3 Ring AllReduce原理 241
11．4 Ring AllReduce架構實現 248
11．5 分布式訓練性能評測 257
11．6 小結 259
第 12章 工業級深度學習框架 261
12．1 張量 262
12．2 計算加速 263
12．3 GPU 265
12．4 數據接口 266
12．5 模型并行 266
12．6 靜態圖和動態圖 267
12．7 混合精度訓練 268
12．8 圖優化和編譯優化 270
12．9 移動端和嵌入式端 270
12．10 小結 271
第 1章 機器學習與模型 2
1．1 模型 2
1．2 參數與訓練 4
1．3 損失函數 9
1．4 計算圖的訓練 10
1．5 小結 12
第 2章 計算圖 13
2．1 什么是計算圖 13
2．2 前向傳播 14
2．3 函數優化與梯度下降法 18
2．4 鏈式法則與反向傳播 29
2．5 在計算圖上執行梯度下降法 36
2．6 節點類及其子類 36
2．7 用計算圖搭建ADALINE并訓練 44
2．8 小結 48
第3章 優化器 49
3．1 優化流程的抽象實現 49
3．2 BGD、SGD和MBGD 53
3．3 梯度下降優化器 58
3．4 樸素梯度下降法的局限 60
3．5 沖量優化器 61
3．6 AdaGrad優化器 62
3．7 RMSProp優化器 64
3．8 Adam優化器 65
3．9 小結 68
第二部分 模型篇
第4章 邏輯回歸 70
4．1 對數損失函數 70
4．2 Logistic函數 73
4．3 二分類邏輯回歸 75
4．4 多分類邏輯回歸 78
4．5 交叉熵 81
4．6 實例：鳶尾花 85
4．7 小結 88
第5章 神經網絡 90
5．1 神經元與激活函數 90
5．2 神經網絡 95
5．3 多層全連接神經網絡 99
5．4 多個全連接層的意義 101
5．5 實例：鳶尾花 108
5．6 實例：手寫數字識別 110
5．7 小結 116
第6章 非全連接神經網絡 117
6．1 帶二次項的邏輯回歸 117
6．2 因子分解機 124
6．3 Wide & Deep 132
6．4 DeepFM 137
6．5 實例：泰坦尼克號幸存者 141
6．6 小結 150
第7章 循環神經網絡 151
7．1 RNN的結構 151
7．2 RNN的輸出 152
7．3 實例：正弦波與方波 155
7．4 變長序列 159
7．5 實例：3D電磁發音儀單詞識別 164
7．6 小結 167
第8章 卷積神經網絡 168
8．1 蒙德里安與莫奈 168
8．2 濾波器 170
8．3 可訓練的濾波器 176
8．4 卷積層 183
8．5 池化層 186
8．6 CNN的結構 189
8．7 實例：手寫數字識別 190
8．8 小結 194
第三部分 工程篇
第9章 訓練與評估 196
9．1 訓練和Trainer訓練器 196
9．2 評估和Metrics節點 202
9．3 混淆矩陣 204
9．4 正確率 204
9．5 查準率 206
9．6 查全率 206
9．7 ROC曲線和AUC 208
9．8 小結 211
第 10章 模型保存、預測和服務 212
10．1 模型保存 213
10．2 模型加載和預測 216
10．3 模型服務 216
10．4 客戶端 222
10．5 小結 223
第 11章 分布式訓練 224
11．1 分布式訓練的原理 224
11．2 基于參數服務器的架構 230
11．3 Ring AllReduce原理 241
11．4 Ring AllReduce架構實現 248
11．5 分布式訓練性能評測 257
11．6 小結 259
第 12章 工業級深度學習框架 261
12．1 張量 262
12．2 計算加速 263
12．3 GPU 265
12．4 數據接口 266
12．5 模型并行 266
12．6 靜態圖和動態圖 267
12．7 混合精度訓練 268
12．8 圖優化和編譯優化 270
12．9 移動端和嵌入式端 270
12．10 小結 271
展開全部
用Python實現深度學習框架 作者簡介
張覺非 本科畢業于復旦大學計算機系，于中國科學院古脊椎動物與古人類研究所取得古生物學碩士學位，目前在互聯網行業從事機器學習算法相關工作。 陳震 碩士畢業于北京大學。現任奇虎360智能工程部總監、負責人，帶領團隊建設集團的機器學習計算調度平臺、機器學習建模平臺、機器學習推理引擎以及推薦平臺等AI基礎設施。
書友推薦
- >
回憶愛瑪儂
- >
巴金－再思錄
- >
中國歷史的瞬間
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
我從未如此眷戀人間
- >
羅庸西南聯大授課錄
- >
苦雨齋序跋文-周作人自編集
- >
大紅狗在馬戲團-大紅狗克里弗-助人
本類暢銷
