掃一掃
關注中圖網
官方微博
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
深度學習入門 基于Python的理論與實現 版權信息
- ISBN：9787115485588
- 條形碼：9787115485588 ; 978-7-115-48558-8
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
深度學習入門 基于Python的理論與實現 本書特色
1.日本深度學習入門經典暢銷書，原版上市不足2年印刷已達100 000冊。長期位列日亞“人工智能”類圖書榜首，眾多五星好評。 2.使用Python 3，盡量不依賴外部庫或工具，從零創建一個深度學習模型。 3.示例代碼清晰，源代碼可下載，需要的運行環境非常簡單。讀者可以一邊讀書一邊執行程序，簡單易上手。 4.使用平實的語言，結合直觀的插圖和具體的例子，將深度學習的原理掰開揉碎講解，簡明易懂。 5.使用計算圖介紹復雜的誤差反向傳播法，非常直觀。 6.相比AI圣經“花書”，本書更合適入門。 對于非AI方向的技術人員，本書將大大降低入門深度學習的門檻；對于在校大學生、研究生，本書不失為學習深度學習的一本好教材；即便是在工作中已經熟練使用框架開發各類深度學習模型的讀者，也可以從本書中獲得新的體會。——摘自本書譯者序
深度學習入門 基于Python的理論與實現 內容簡介
本書是深度學習真正意義上的入門書，深入淺出地剖析了深度學習的原理和相關技術。書中使用Python3，盡量不依賴外部庫或工具，從基本的數學知識出發，帶領讀者從零創建一個經典的深度學習網絡，使讀者在此過程中逐步理解深度學習。書中不僅介紹了深度學習和神經網絡的概念、特征等基礎知識，對誤差反向傳播法、卷積神經網絡等也有深入講解，此外還介紹了深度學習相關的實用技巧，自動駕駛、圖像生成、強化學習等方面的應用，以及為什么加深層可以提高識別精度等疑難的問題。 本書適合深度學習初學者閱讀，也可作為高校教材使用。
深度學習入門 基于Python的理論與實現 目錄
目錄
譯者序 xiii
前言 xv
第 1 章 Python入門 1
1．1 Python是什么 1
1．2 Python的安裝 2
1．2．1 Python版本 2
1．2．2 使用的外部庫 2
1．2．3 Anaconda發行版 3
1．3 Python解釋器 4
1．3．1 算術計算 4
1．3．2 數據類型 5
1．3．3 變量 5
1．3．4 列表 6
1．3．5 字典 7
1．3．6 布爾型 7
1．3．7 if 語句 8
1．3．8 for 語句 8
1．3．9 函數 9
1．4 Python腳本文件 9
1．4．1 保存為文件 9
1．4．2 類 10
1．5 NumPy 11
1．5．1 導入NumPy 11
1．5．2 生成NumPy數組 12
1．5．3 NumPy 的算術運算 12
1．5．4 NumPy的N維數組 13
1．5．5 廣播 14
1．5．6 訪問元素 15
1．6 Matplotlib 16
1．6．1 繪制簡單圖形 16
1．6．2 pyplot 的功能 17
1．6．3 顯示圖像 18
1．7 小結 19
第 2 章 感知機 21
2．1 感知機是什么 21
2．2 簡單邏輯電路 23
2．2．1 與門 23
2．2．2 與非門和或門 23
2．3 感知機的實現 25
2．3．1 簡單的實現 25
2．3．2 導入權重和偏置 26
2．3．3 使用權重和偏置的實現 26
2．4 感知機的局限性 28
2．4．1 異或門 28
2．4．2 線性和非線性 30
2．5 多層感知機 31
2．5．1 已有門電路的組合 31
2．5．2 異或門的實現 33
2．6 從與非門到計算機 35
2．7 小結 36
第3 章 神經網絡 37
3．1 從感知機到神經網絡 37
3．1．1 神經網絡的例子 37
3．1．2 復習感知機 38
3．1．3 激活函數登場 40
3．2 激活函數 42
3．2．1 sigmoid 函數 42
3．2．2 階躍函數的實現 43
3．2．3 階躍函數的圖形 44
3．2．4 sigmoid 函數的實現 45
3．2．5 sigmoid 函數和階躍函數的比較 46
3．2．6 非線性函數 48
3．2．7 ReLU函數 49
3．3 多維數組的運算 50
3．3．1 多維數組 50
3．3．2 矩陣乘法 51
3．3．3 神經網絡的內積 55
3．4 3 層神經網絡的實現 56
3．4．1 符號確認 57
3．4．2 各層間信號傳遞的實現 58
3．4．3 代碼實現小結 62
3．5 輸出層的設計 63
3．5．1 恒等函數和softmax 函數 64
3．5．2 實現softmax 函數時的注意事項 66
3．5．3 softmax 函數的特征 67
3．5．4 輸出層的神經元數量 68
3．6 手寫數字識別 69
3．6．1 MNIST數據集 70
3．6．2 神經網絡的推理處理 73
3．6．3 批處理 75
3．7 小結 79
第4 章 神經網絡的學習 81
4．1 從數據中學習 81
4．1．1 數據驅動 82
4．1．2 訓練數據和測試數據 84
4．2 損失函數 85
4．2．1 均方誤差 85
4．2．2 交叉熵誤差 87
4．2．3 mini-batch 學習 88
4．2．4 mini-batch 版交叉熵誤差的實現 91
4．2．5 為何要設定損失函數 92
4．3 數值微分 94
4．3．1 導數 94
4．3．2 數值微分的例子 96
4．3．3 偏導數 98
4．4 梯度 100
4．4．1 梯度法 102
4．4．2 神經網絡的梯度 106
4．5 學習算法的實現 109
4．5．1 2 層神經網絡的類 110
4．5．2 mini-batch 的實現 114
4．5．3 基于測試數據的評價 116
4．6 小結 118
第5 章 誤差反向傳播法 121
5．1 計算圖 121
5．1．1 用計算圖求解 122
5．1．2 局部計算 124
5．1．3 為何用計算圖解題 125
5．2 鏈式法則 126
5．2．1 計算圖的反向傳播 127
5．2．2 什么是鏈式法則 127
5．2．3 鏈式法則和計算圖 129
5．3 反向傳播 130
5．3．1 加法節點的反向傳播 130
5．3．2 乘法節點的反向傳播 132
5．3．3 蘋果的例子 133
5．4 簡單層的實現 135
5．4．1 乘法層的實現 135
5．4．2 加法層的實現 137
5．5 激活函數層的實現 139
5．5．1 ReLU層 139
5．5．2 Sigmoid 層 141
5．6 Affine/Softmax層的實現 144
5．6．1 Affine層 144
5．6．2 批版本的Affine層 148
5．6．3 Softmax-with-Loss 層 150
5．7 誤差反向傳播法的實現 154
5．7．1 神經網絡學習的全貌圖 154
5．7．2 對應誤差反向傳播法的神經網絡的實現 155
5．7．3 誤差反向傳播法的梯度確認 158
5．7．4 使用誤差反向傳播法的學習 159
5．8 小結 161
第6 章 與學習相關的技巧 163
6．1 參數的更新 163
6．1．1 探險家的故事 164
6．1．2 SGD 164
6．1．3 SGD的缺點 166
6．1．4 Momentum 168
6．1．5 AdaGrad 170
6．1．6 Adam 172
6．1．7 使用哪種更新方法呢 174
6．1．8 基于MNIST數據集的更新方法的比較 175
6．2 權重的初始值 176
6．2．1 可以將權重初始值設為0 嗎 176
6．2．2 隱藏層的激活值的分布 177
6．2．3 ReLU的權重初始值 181
6．2．4 基于MNIST數據集的權重初始值的比較 183
6．3 Batch Normalization 184
6．3．1 Batch Normalization 的算法 184
6．3．2 Batch Normalization 的評估 186
6．4 正則化 188
6．4．1 過擬合 189
6．4．2 權值衰減 191
6．4．3 Dropout 192
6．5 超參數的驗證 195
6．5．1 驗證數據 195
6．5．2 超參數的*優化 196
6．5．3 超參數*優化的實現 198
6．6 小結 200
第7 章 卷積神經網絡 201
7．1 整體結構 201
7．2 卷積層 202
7．2．1 全連接層存在的問題 203
7．2．2 卷積運算 203
7．2．3 填充 206
7．2．4 步幅 207
7．2．5 3 維數據的卷積運算 209
7．2．6 結合方塊思考 211
7．2．7 批處理 213
7．3 池化層 214
7．4 卷積層和池化層的實現 216
7．4．1 4 維數組 216
7．4．2 基于im2col 的展開 217
7．4．3 卷積層的實現 219
7．4．4 池化層的實現 222
7．5 CNN的實現 224
7．6 CNN的可視化 228
7．6．1 第 1 層權重的可視化 228
7．6．2 基于分層結構的信息提取 230
7．7 具有代表性的CNN 231
7．7．1 LeNet 231
7．7．2 AlexNet 232
7．8 小結 233
第8 章 深度學習 235
8．1 加深網絡 235
8．1．1 向更深的網絡出發 235
8．1．2 進一步提高識別精度 238
8．1．3 加深層的動機 240
8．2 深度學習的小歷史 242
8．2．1 ImageNet 243
8．2．2 VGG 244
8．2．3 GoogLeNet 245
8．2．4 ResNet 246
8．3 深度學習的高速化 248
8．3．1 需要努力解決的問題 248
8．3．2 基于GPU的高速化 249
8．3．3 分布式學習 250
8．3．4 運算精度的位數縮減 252
8．4 深度學習的應用案例 253
8．4．1 物體檢測 253
8．4．2 圖像分割 255
8．4．3 圖像標題的生成 256
8．5 深度學習的未來 258
8．5．1 圖像風格變換 258
8．5．2 圖像的生成 259
8．5．3 自動駕駛 261
8．5．4 Deep Q-Network（強化學習） 262
8．6 小結 264
附錄A Softmax-with-Loss 層的計算圖 267
A．1 正向傳播 268
A．2 反向傳播 270
A．3 小結 277
參考文獻 279
譯者序 xiii
前言 xv
第 1 章 Python入門 1
1．1 Python是什么 1
1．2 Python的安裝 2
1．2．1 Python版本 2
1．2．2 使用的外部庫 2
1．2．3 Anaconda發行版 3
1．3 Python解釋器 4
1．3．1 算術計算 4
1．3．2 數據類型 5
1．3．3 變量 5
1．3．4 列表 6
1．3．5 字典 7
1．3．6 布爾型 7
1．3．7 if 語句 8
1．3．8 for 語句 8
1．3．9 函數 9
1．4 Python腳本文件 9
1．4．1 保存為文件 9
1．4．2 類 10
1．5 NumPy 11
1．5．1 導入NumPy 11
1．5．2 生成NumPy數組 12
1．5．3 NumPy 的算術運算 12
1．5．4 NumPy的N維數組 13
1．5．5 廣播 14
1．5．6 訪問元素 15
1．6 Matplotlib 16
1．6．1 繪制簡單圖形 16
1．6．2 pyplot 的功能 17
1．6．3 顯示圖像 18
1．7 小結 19
第 2 章 感知機 21
2．1 感知機是什么 21
2．2 簡單邏輯電路 23
2．2．1 與門 23
2．2．2 與非門和或門 23
2．3 感知機的實現 25
2．3．1 簡單的實現 25
2．3．2 導入權重和偏置 26
2．3．3 使用權重和偏置的實現 26
2．4 感知機的局限性 28
2．4．1 異或門 28
2．4．2 線性和非線性 30
2．5 多層感知機 31
2．5．1 已有門電路的組合 31
2．5．2 異或門的實現 33
2．6 從與非門到計算機 35
2．7 小結 36
第3 章 神經網絡 37
3．1 從感知機到神經網絡 37
3．1．1 神經網絡的例子 37
3．1．2 復習感知機 38
3．1．3 激活函數登場 40
3．2 激活函數 42
3．2．1 sigmoid 函數 42
3．2．2 階躍函數的實現 43
3．2．3 階躍函數的圖形 44
3．2．4 sigmoid 函數的實現 45
3．2．5 sigmoid 函數和階躍函數的比較 46
3．2．6 非線性函數 48
3．2．7 ReLU函數 49
3．3 多維數組的運算 50
3．3．1 多維數組 50
3．3．2 矩陣乘法 51
3．3．3 神經網絡的內積 55
3．4 3 層神經網絡的實現 56
3．4．1 符號確認 57
3．4．2 各層間信號傳遞的實現 58
3．4．3 代碼實現小結 62
3．5 輸出層的設計 63
3．5．1 恒等函數和softmax 函數 64
3．5．2 實現softmax 函數時的注意事項 66
3．5．3 softmax 函數的特征 67
3．5．4 輸出層的神經元數量 68
3．6 手寫數字識別 69
3．6．1 MNIST數據集 70
3．6．2 神經網絡的推理處理 73
3．6．3 批處理 75
3．7 小結 79
第4 章 神經網絡的學習 81
4．1 從數據中學習 81
4．1．1 數據驅動 82
4．1．2 訓練數據和測試數據 84
4．2 損失函數 85
4．2．1 均方誤差 85
4．2．2 交叉熵誤差 87
4．2．3 mini-batch 學習 88
4．2．4 mini-batch 版交叉熵誤差的實現 91
4．2．5 為何要設定損失函數 92
4．3 數值微分 94
4．3．1 導數 94
4．3．2 數值微分的例子 96
4．3．3 偏導數 98
4．4 梯度 100
4．4．1 梯度法 102
4．4．2 神經網絡的梯度 106
4．5 學習算法的實現 109
4．5．1 2 層神經網絡的類 110
4．5．2 mini-batch 的實現 114
4．5．3 基于測試數據的評價 116
4．6 小結 118
第5 章 誤差反向傳播法 121
5．1 計算圖 121
5．1．1 用計算圖求解 122
5．1．2 局部計算 124
5．1．3 為何用計算圖解題 125
5．2 鏈式法則 126
5．2．1 計算圖的反向傳播 127
5．2．2 什么是鏈式法則 127
5．2．3 鏈式法則和計算圖 129
5．3 反向傳播 130
5．3．1 加法節點的反向傳播 130
5．3．2 乘法節點的反向傳播 132
5．3．3 蘋果的例子 133
5．4 簡單層的實現 135
5．4．1 乘法層的實現 135
5．4．2 加法層的實現 137
5．5 激活函數層的實現 139
5．5．1 ReLU層 139
5．5．2 Sigmoid 層 141
5．6 Affine/Softmax層的實現 144
5．6．1 Affine層 144
5．6．2 批版本的Affine層 148
5．6．3 Softmax-with-Loss 層 150
5．7 誤差反向傳播法的實現 154
5．7．1 神經網絡學習的全貌圖 154
5．7．2 對應誤差反向傳播法的神經網絡的實現 155
5．7．3 誤差反向傳播法的梯度確認 158
5．7．4 使用誤差反向傳播法的學習 159
5．8 小結 161
第6 章 與學習相關的技巧 163
6．1 參數的更新 163
6．1．1 探險家的故事 164
6．1．2 SGD 164
6．1．3 SGD的缺點 166
6．1．4 Momentum 168
6．1．5 AdaGrad 170
6．1．6 Adam 172
6．1．7 使用哪種更新方法呢 174
6．1．8 基于MNIST數據集的更新方法的比較 175
6．2 權重的初始值 176
6．2．1 可以將權重初始值設為0 嗎 176
6．2．2 隱藏層的激活值的分布 177
6．2．3 ReLU的權重初始值 181
6．2．4 基于MNIST數據集的權重初始值的比較 183
6．3 Batch Normalization 184
6．3．1 Batch Normalization 的算法 184
6．3．2 Batch Normalization 的評估 186
6．4 正則化 188
6．4．1 過擬合 189
6．4．2 權值衰減 191
6．4．3 Dropout 192
6．5 超參數的驗證 195
6．5．1 驗證數據 195
6．5．2 超參數的*優化 196
6．5．3 超參數*優化的實現 198
6．6 小結 200
第7 章 卷積神經網絡 201
7．1 整體結構 201
7．2 卷積層 202
7．2．1 全連接層存在的問題 203
7．2．2 卷積運算 203
7．2．3 填充 206
7．2．4 步幅 207
7．2．5 3 維數據的卷積運算 209
7．2．6 結合方塊思考 211
7．2．7 批處理 213
7．3 池化層 214
7．4 卷積層和池化層的實現 216
7．4．1 4 維數組 216
7．4．2 基于im2col 的展開 217
7．4．3 卷積層的實現 219
7．4．4 池化層的實現 222
7．5 CNN的實現 224
7．6 CNN的可視化 228
7．6．1 第 1 層權重的可視化 228
7．6．2 基于分層結構的信息提取 230
7．7 具有代表性的CNN 231
7．7．1 LeNet 231
7．7．2 AlexNet 232
7．8 小結 233
第8 章 深度學習 235
8．1 加深網絡 235
8．1．1 向更深的網絡出發 235
8．1．2 進一步提高識別精度 238
8．1．3 加深層的動機 240
8．2 深度學習的小歷史 242
8．2．1 ImageNet 243
8．2．2 VGG 244
8．2．3 GoogLeNet 245
8．2．4 ResNet 246
8．3 深度學習的高速化 248
8．3．1 需要努力解決的問題 248
8．3．2 基于GPU的高速化 249
8．3．3 分布式學習 250
8．3．4 運算精度的位數縮減 252
8．4 深度學習的應用案例 253
8．4．1 物體檢測 253
8．4．2 圖像分割 255
8．4．3 圖像標題的生成 256
8．5 深度學習的未來 258
8．5．1 圖像風格變換 258
8．5．2 圖像的生成 259
8．5．3 自動駕駛 261
8．5．4 Deep Q-Network（強化學習） 262
8．6 小結 264
附錄A Softmax-with-Loss 層的計算圖 267
A．1 正向傳播 268
A．2 反向傳播 270
A．3 小結 277
參考文獻 279
展開全部
深度學習入門 基于Python的理論與實現 作者簡介
齋藤康毅（作者） 東京工業大學畢業，并完成東京大學研究生院課程。現從事計算機視覺與機器學習相關的研究和開發工作。是Introducing Python、Python in Practice、The Elements of Computing Systems、Building Machine Learning Systems with Python的日文版譯者。 陸宇杰（譯者） 眾安科技NLP算法工程師。主要研究方向為自然語言處理及其應用，對圖像識別、機器學習、深度學習等領域有密切關注。Python愛好者。
書友推薦
- >
羅庸西南聯大授課錄
- >
隨園食單
- >
經典常談
- >
伯納黛特,你要去哪(2021新版)
- >
煙與鏡
- >
名家帶你讀魯迅:朝花夕拾
- >
自卑與超越
- >
巴金－再思錄
本類暢銷
