深度學習實戰 ( 簡體 字) |
| 作者：楊云、杜飛 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 48328
詢問書籍請說出此書號！【有庫存】
NT售價： 345 元 |
| 出版日：1/1/2018 |
| 頁數：316 |
| 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：9787302491026 |
| 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：隨著谷歌的AlphaGo，IBM的watson以及百度的智能機器人百小度的問世，人工智能成為了大眾熱烈討論的焦點，而作為這些智能產品的核心技術，深度學習受到了學界與產業界的廣泛關注。深度學習憑借其優良的性能，被廣泛應用于計算機視覺、圖像分析、語音識別和自然語言處理等諸多領域中。但深度學習的算法與模型較為復雜，對于初學者來說較難理解與掌握，需要其有一定的理論與實踐應用基礎。本書作者通過把理論知識與大量實踐例子相結合，運用易懂與詼諧的語言為初學者呈現了一部指導深度學習實戰的首選之作。本書的面向對象為計算機及相關專業的本科生、研究生，以及相關領域的初級研究人員。與同類著作不同的是本書更強調讀者的親身實踐，分為模塊設計與代碼實踐兩部分，當讀者學習完模塊設計部分的理論知識后，還可以在實踐代碼的關鍵位置添加自己的代碼，并測試實現的深度學習模型的每一個關鍵環節，以此進一步理解與掌握所學的算法與模型。
本書共分為8章，第1章為深度學習的發展介紹，其他7章對深度學習的理論知識和應用進行了深入淺出的講解，分別為第2章 機器學習快速入門，第3章 前饋神經網絡，第4章 深度學習正則化，第5章 深度學習優化，第6章 卷積神經網絡，第7章 循環神經網絡，第8章 TensorFlow快速入門。每一個章節在其結尾部分都會提出深度學習算法與模型的實踐學習，按照作者的設計步驟，讀者可以逐步完成代碼的編寫，并對其進行測試，最終完成整個算法與模型代碼的實踐。本書不同于傳統理論介紹+代碼演示書籍之處在于，理論知識與實踐學習部分可以分開閱讀，其每一章節的實踐學習部分更加強調與讀者的互動性。本書還精心設計了許多子模塊，給予大量的編程提示，并引導讀者通過自學的方式完成各個子模塊的實現，進而強化讀者對不同模塊編碼實現的學習與理解，在每章末尾都會給出相應的參考代碼。
本書的作者特別感謝相關科研項目與人才計劃的支持，其中包括：國家自然科學基金項目（61402397，61663046），云南省科技廳應用基礎研究計劃面上項目（2016FB104），云南省軟件工程重點實驗室開放基金面上項目（2015SE201），云南大學數據驅動的軟件工程省科技創新團隊（2017HC012），云南省中青年學術和技術帶頭人后備人才計劃（2017HB005），云南省百名海外高層次人才引進計劃。
深度學習相關研究領域的發展日新月異，本書作者自認才疏學淺，只略知其中一二，書中內容的設計與撰寫是作者對深度學習的個人認識與理解，由于水平有限，如有不妥之處請廣大讀者不吝賜教。
本書免費提供了云盤下載文件，內容包括書中所有綜合案例的素材文件，下載地址為：https://pan.baidu.com/s/1nvacrYL（注意區分英文字母大小寫），如果下載有問題，請發送電子郵件至booksaga@126.com，郵件主題設置為“深度學習實戰”。
楊云
2017年8月29日于云南大學
|
內容簡介：深度學習為人工智能帶來了巨大突破，也成為機器學習領域一顆閃耀的新星。雖然相關學習資料豐富，但大部分內容較為龐雜且難以理解，并對初學者的相關理論知識與實踐能力有較高的要求，這使得大部分想進入這一領域的初學者望而卻步。本書去繁化簡地對深度學習的理論知識進行了梳理，并對算法實現做出了淺顯易懂的講解，適合初學者進行學習。結合本書的內容，讀者可以快速對深度學習進行實踐。通過啟發式的自學模式，可以使讀者由淺入深地學習并掌握常用的深度學習模型，為進一步使用開源的深度學習平臺與工具提供理論與實踐基礎。
本書可作為高等院校計算機專業的本科生或研究生教材，也可供對深度學習感興趣的研究人員和工程技術人員閱讀參考。 |
目錄：第1章深度學習的發展介紹 1
1.1如何閱讀本書 3
1.2深度學習沉浮史 3
1.2.1模擬生物大腦的瘋狂遠古時代 4
1.2.2聯結主義近代 5
1.2.3百花齊放，層次結構主導，模型巨大的當代 6
1.3Python簡易教程 7
1.3.1Anaconda搭建 7
1.3.2IPythonNotebook使用 7
1.3.3Python基本用法 8
1.3.4NumPy 15
1.3.5Matplotlib 23
1.4參考文獻 25
第2章機器學習快速入門 27
2.1學習算法 28
2.1.1學習任務 29
2.1.2性能度量 30
2.1.3學習經驗 32
2.2代價函數 33
2.2.1均方誤差函數 33
2.2.2極大似然估計 34
2.3梯度下降法 36
2.3.1批量梯度下降法 38
2.3.2隨機梯度下降法 39
2.4過擬合與欠擬合 40
2.4.1沒免費午餐理論 42
2.4.2正則化 43
2.5超參數與驗證集 44
2.6Softmax編碼實戰 46
2.6.1編碼說明 49
2.6.2熟練使用CIFAR-10數據集 50
2.6.3顯式循環計算損失函數及其梯度 53
2.6.4向量化表達式計算損失函數及其梯度 56
2.6.5最小批量梯度下降算法訓練Softmax分類器 57
2.6.6使用驗證數據選擇超參數 61
2.7參考代碼 68
2.8參考文獻 70
第3章前饋神經網絡 72
3.1神經元 73
3.1.1Sigmoid神經元 74
3.1.2Tanh神經元 75
3.1.3ReLU神經元 76
3.2前饋神經網絡 80
3.2.1輸出層單元 80
3.2.2隱藏層單元 80
3.2.3網絡結構設計 81
3.3BP算法 82
3.4深度學習編碼實戰上 86
3.4.1實現仿射傳播 88
3.4.2實現ReLU傳播 91
3.4.3組合單層神經元 93
3.4.4實現淺層神經網絡 96
3.4.5實現深層全連接網絡 101
3.5參考代碼 109
3.6參考文獻 113
第4章深度學習正則化 115
4.1參數范數懲罰 116
4.1.1L2參數正則化 118
4.1.2L1正則化 119
4.2參數綁定與參數共享 120
4.3噪聲注入與數據擴充 120
4.4稀疏表征 122
4.5早停 123
4.6Dropout 126
4.6.1個體與集成 126
4.6.2Dropout 127
4.7深度學習編碼實戰中 129
4.7.1Dropout傳播 131
4.7.2組合Dropout傳播層 134
4.7.3Dropout神經網絡 136
4.7.4解耦訓練器trainer 138
4.7.5解耦更新器updater 143
4.7.6正則化實驗 145
4.8參考代碼 148
4.9參考文獻 150
第5章深度學習優化 152
5.1神經網絡優化困難 153
5.1.1局部最優 153
5.1.2鞍點 154
5.1.3梯度懸崖 154
5.1.4梯度消失或梯度爆炸 155
5.1.5梯度不精確 156
5.1.6優化理論的局限性 156
5.2隨機梯度下降 156
5.3動量學習法 158
5.4AdaGrad和RMSProp 159
5.5Adam 160
5.6參數初始化策略 161
5.7批量歸一化 163
5.7.1BN算法詳解 163
5.7.2BN傳播詳解 165
5.8深度學習編碼實戰下 166
5.8.1Momentum 167
5.8.2RMSProp 171
5.8.3Adam 172
5.8.4更新規則比較 174
5.8.5BN前向傳播 176
5.8.6BN反向傳播 180
5.8.7使用BN的全連接網絡 182
5.8.8BN算法與權重標準差比較 188
5.9參考代碼 191
5.10參考文獻 195
第6章卷積神經網絡 196
6.1卷積操作 197
6.2卷積的意義 198
6.2.1稀疏連接 199
6.2.2參數共享 200
6.3池化操作 201
6.4設計卷積神經網絡 204
6.4.1跨步卷積 204
6.4.2零填充 205
6.4.3非共享卷積 206
6.4.4平鋪卷積 207
6.5卷積網絡編碼練習 208
6.5.1卷積前向傳播 209
6.5.2卷積反向傳播 212
6.5.3最大池化前向傳播 215
6.5.4最大池化反向傳播 218
6.5.5向量化執行 220
6.5.6組合完整卷積層 223
6.5.7淺層卷積網絡 224
6.5.8空間批量歸一化 229
6.6參考代碼 233
6.7參考文獻 237
第7章循環神經網絡 238
7.1循環神經網絡 239
7.1.1循環神經元展開 239
7.1.2循環網絡訓練 240
7.2循環神經網絡設計 242
7.2.1雙向循環網絡結構 242
7.2.2編碼-解碼網絡結構 243
7.2.3深度循環網絡結構 244
7.3門控循環神經網絡 245
7.3.1LSTM 246
7.3.2門控循環單元 249
7.4RNN編程練習 250
7.4.1RNN單步傳播 252
7.4.2RNN時序傳播 255
7.4.3詞嵌入 258
7.4.4RNN輸出層 261
7.4.5時序Softmax損失 262
7.4.6RNN圖片說明任務 264
7.5LSTM編程練習 269
7.5.1LSTM單步傳播 269
7.5.2LSTM時序傳播 273
7.5.3LSTM實現圖片說明任務 276
7.6參考代碼 278
7.6.1RNN參考代碼 278
7.6.2LSTM參考代碼 282
7.7參考文獻 285
第8章TensorFlow快速入門 287
8.1TensorFlow介紹 288
8.2TensorFlow1.0安裝指南 289
8.2.1雙版本切換Anaconda 289
8.2.2安裝CUDA8.0 291
8.2.3安裝cuDNN 292
8.2.4安裝TensorFlow 293
8.2.5驗證安裝 294
8.3TensorFlow基礎 295
8.3.1Tensor 295
8.3.2TensorFlow核心API教程 296
8.3.3tf.trainAPI 299
8.3.4tf.contrib.learn 301
8.4TensorFlow構造CNN 305
8.4.1構建Softmax模型 305
8.4.2使用TensorFlow訓練模型 307
8.4.3使用TensorFlow評估模型 308
8.4.4使用TensorFlow構建卷積神經網絡 308
8.5TensorBoard快速入門 311
8.5.1TensorBoard可視化學習 312
8.5.2計算圖可視化 316 |
| 序： |
