-- 會員 / 註冊 -- 　
　帳號：
　密碼：
　 | 註冊 | 忘記密碼
3/26 新書到！ 3/19 新書到！ 3/14 新書到！ 12/12 新書到！
購書流程•Q & A•站務留言版•客服信箱
│ 3ds Max│ Maya│ Rhino│ After Effects│ SketchUp│ ZBrush│ Painter│ Unity│
│ PhotoShop│ AutoCad│ MasterCam│ SolidWorks│ Creo│ UG│ Revit│ Nuke│
│ C#│ C│ C++│ Java│ 遊戲程式│ Linux│ 嵌入式│ PLC│ FPGA│ Matlab│
│ 駭客│ 資料庫│ 搜索引擎│ 影像處理│ Fluent│ VR+AR│ ANSYS│ 深度學習│
│ 單晶片│ AVR│ OpenGL│ Arduino│ Raspberry Pi│ 電路設計│ Cadence│ Protel│
│ Hadoop│ Python│ Stm32│ Cortex│ Labview│ 手機程式│ Android│ iPhone│
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

深度學習入門 基于Python的理論與實現

( 簡體 字)
作者：齋藤康毅類別：1. -> 程式設計 -> 深度學習
　　　2. -> 程式設計 -> Python
譯者：
出版社：人民郵電出版社深度學習入門 基于Python的理論與實現 3dWoo書號： 49450
詢問書籍請說出此書號！

【缺書】
NT售價： 295 元

出版日：7/1/2018
頁數：285
光碟數：0
站長推薦：
印刷：黑白印刷語系： ( 簡體 版 )
加入購物車 │加到我的最愛
(請先登入會員)
ISBN：9787115485588
作者序　|　譯者序　|　前言　|　內容簡介　|　目錄　|　序
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序：

譯者序：

前言：

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。
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　超參數的最優化　196
6.5.3　超參數最優化的實現　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
序：