9.5 豆瓣评分
可以朗读 语音朗读
166千字 字数
2019-05-01 发行日期
展开全部

主编推荐语

深入浅出地剖析深度学习的原理和相关技术。

内容简介

书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。

书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等疑难的问题。

目录

  • 版权信息
  • 内容提要
  • O'Reilly Media, Inc.介绍
  • 译者序
  • 前言
  • 第1章 Python入门
  • 1.1 Python是什么
  • 1.2 Python的安装
  • 1.2.1 Python版本
  • 1.2.2 使用的外部库
  • 1.2.3 Anaconda发行版
  • 1.3 Python解释器
  • 1.3.1 算术计算
  • 1.3.2 数据类型
  • 1.3.3 变量
  • 1.3.4 列表
  • 1.3.5 字典
  • 1.3.6 布尔型
  • 1.3.7 if 语句
  • 1.3.8 for 语句
  • 1.3.9 函数
  • 1.4 Python脚本文件
  • 1.4.1 保存为文件
  • 1.4.2 类
  • 1.5 NumPy
  • 1.5.1 导入 NumPy
  • 1.5.2 生成 NumPy 数组
  • 1.5.3 NumPy 的算术运算
  • 1.5.4 NumPy 的 N 维数组
  • 1.5.5 广播
  • 1.5.6 访问元素
  • 1.6 Matplotlib
  • 1.6.1 绘制简单图形
  • 1.6.2 pyplot 的功能
  • 1.6.3 显示图像
  • 1.7 小结
  • 第2章 感知机
  • 2.1 感知机是什么
  • 2.2 简单逻辑电路
  • 2.2.1 与门
  • 2.2.2 与非门和或门
  • 2.3 感知机的实现
  • 2.3.1 简单的实现
  • 2.3.2 导入权重和偏置
  • 2.3.3 使用权重和偏置的实现
  • 2.4 感知机的局限性
  • 2.4.1 异或门
  • 2.4.2 线性和非线性
  • 2.5 多层感知机
  • 2.5.1 已有门电路的组合
  • 2.5.2 异或门的实现
  • 2.6 从与非门到计算机
  • 2.7 小结
  • 第3章 神经网络
  • 3.1 从感知机到神经网络
  • 3.1.1 神经网络的例子
  • 3.1.2 复习感知机
  • 3.1.3 激活函数登场
  • 3.2 激活函数
  • 3.2.1 sigmoid 函数
  • 3.2.2 阶跃函数的实现
  • 3.2.3 阶跃函数的图形
  • 3.2.4 sigmoid 函数的实现
  • 3.2.5 sigmoid 函数和阶跃函数的比较
  • 3.2.6 非线性函数
  • 3.2.7 ReLU函数
  • 3.3 多维数组的运算
  • 3.3.1 多维数组
  • 3.3.2 矩阵乘法
  • 3.3.3 神经网络的内积
  • 3.4 3 层神经网络的实现
  • 3.4.1 符号确认
  • 3.4.2 各层间信号传递的实现
  • 3.4.3 代码实现小结
  • 3.5 输出层的设计
  • 3.5.1 恒等函数和 softmax 函数
  • 3.5.2 实现 softmax 函数时的注意事项
  • 3.5.3 softmax 函数的特征
  • 3.5.4 输出层的神经元数量
  • 3.6 手写数字识别
  • 3.6.1 MNIST 数据集
  • 3.6.2 神经网络的推理处理
  • 3.6.3 批处理
  • 3.7 小结
  • 第4章 神经网络的学习
  • 4.1 从数据中学习
  • 4.1.1 数据驱动
  • 4.1.2 训练数据和测试数据
  • 4.2 损失函数
  • 4.2.1 均方误差
  • 4.2.2 交叉熵误差
  • 4.2.3 mini-batch 学习
  • 4.2.4 mini-batch 版交叉熵误差的实现
  • 4.2.5 为何要设定损失函数
  • 4.3 数值微分
  • 4.3.1 导数
  • 4.3.2 数值微分的例子
  • 4.3.3 偏导数
  • 4.4 梯度
  • 4.4.1 梯度法
  • 4.4.2 神经网络的梯度
  • 4.5 学习算法的实现
  • 4.5.1 2 层神经网络的类
  • 4.5.2 mini-batch 的实现
  • 4.5.3 基于测试数据的评价
  • 4.6 小结
  • 第5章 误差反向传播法
  • 5.1 计算图
  • 5.1.1 用计算图求解
  • 5.1.2 局部计算
  • 5.1.3 为何用计算图解题
  • 5.2 链式法则
  • 5.2.1 计算图的反向传播
  • 5.2.2 什么是链式法则
  • 5.2.3 链式法则和计算图
  • 5.3 反向传播
  • 5.3.1 加法节点的反向传播
  • 5.3.2 乘法节点的反向传播
  • 5.3.3 苹果的例子
  • 5.4 简单层的实现
  • 5.4.1 乘法层的实现
  • 5.4.2 加法层的实现
  • 5.5 激活函数层的实现
  • 5.5.1 ReLU层
  • 5.5.2 Sigmoid 层
  • 5.6 Affine/Softmax 层的实现
  • 5.6.1 Affine 层
  • 5.6.2 批版本的 Affine 层
  • 5.6.3 Softmax-with-Loss 层
  • 5.7 误差反向传播法的实现
  • 5.7.1 神经网络学习的全貌图
  • 5.7.2 对应误差反向传播法的神经网络的实现
  • 5.7.3 误差反向传播法的梯度确认
  • 5.7.4 使用误差反向传播法的学习
  • 5.8 小结
  • 第6章 与学习相关的技巧
  • 6.1 参数的更新
  • 6.1.1 探险家的故事
  • 6.1.2 SGD
  • 6.1.3 SGD 的缺点
  • 6.1.4 Momentum
  • 6.1.5 AdaGrad
  • 6.1.6 Adam
  • 6.1.7 使用哪种更新方法呢
  • 6.1.8 基于 MNIST 数据集的更新方法的比较
  • 6.2 权重的初始值
  • 6.2.1 可以将权重初始值设为 0 吗
  • 6.2.2 隐藏层的激活值的分布
  • 6.2.3 ReLU的权重初始值
  • 6.2.4 基于 MNIST 数据集的权重初始值的比较
  • 6.3 Batch Normalization
  • 6.3.1 Batch Normalization 的算法
  • 6.3.2 Batch Normalization的评估
  • 6.4 正则化
  • 6.4.1 过拟合
  • 6.4.2 权值衰减
  • 6.4.3 Dropout
  • 6.5 超参数的验证
  • 6.5.1 验证数据
  • 6.5.2 超参数的最优化
  • 6.5.3 超参数最优化的实现
  • 6.6 小结
  • 第7章 卷积神经网络
  • 7.1 整体结构
  • 7.2 卷积层
  • 7.2.1 全连接层存在的问题
  • 7.2.2 卷积运算
  • 7.2.3 填充
  • 7.2.4 步幅
  • 7.2.5 3 维数据的卷积运算
  • 7.2.6 结合方块思考
  • 7.2.7 批处理
  • 7.3 池化层
  • 7.4 卷积层和池化层的实现
  • 7.4.1 4 维数组
  • 7.4.2 基于 im2col 的展开
  • 7.4.3 卷积层的实现
  • 7.4.4 池化层的实现
  • 7.5 CNN的实现
  • 7.6 CNN的可视化
  • 7.6.1 第 1 层权重的可视化
  • 7.6.2 基于分层结构的信息提取
  • 7.7 具有代表性的 CNN
  • 7.7.1 LeNet
  • 7.7.2 AlexNet
  • 7.8 小结
  • 第8章 深度学习
  • 8.1 加深网络
  • 8.1.1 向更深的网络出发
  • 8.1.2 进一步提高识别精度
  • 8.1.3 加深层的动机
  • 8.2 深度学习的小历史
  • 8.2.1 ImageNet
  • 8.2.2 VGG
  • 8.2.3 GoogLeNet
  • 8.2.4 ResNet
  • 8.3 深度学习的高速化
  • 8.3.1 需要努力解决的问题
  • 8.3.2 基于 GPU 的高速化
  • 8.3.3 分布式学习
  • 8.3.4 运算精度的位数缩减
  • 8.4 深度学习的应用案例
  • 8.4.1 物体检测
  • 8.4.2 图像分割
  • 8.4.3 图像标题的生成
  • 8.5 深度学习的未来
  • 8.5.1 图像风格变换
  • 8.5.2 图像的生成
  • 8.5.3 自动驾驶
  • 8.5.4 Deep Q-Network（强化学习）
  • 8.6 小结
  • 附录A Softmax-with-Loss 层的计算图
  • A.1 正向传播
  • A.2 反向传播
  • A.3 小结
  • 参考文献
展开全部

评分及书评

评分不足
1个评分
  • 用户头像
    给这本书评了
    5.0
    真正的入门级神作

    学习深度学习，这一本真的是入门级神作。不仅是完整，而且是真正的做到了讲的通透、演示的完整，而且还从始到终的一直如此，强烈推荐给想要在深度学习上入门的人看三遍

      转发
      评论

    出版方

    人民邮电出版社

    人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。