深度學習入門:基于PyTorch和TensorFlow的理論與實現 ( 簡體 字) |
| 作者：紅色石頭 | 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： 52266
詢問書籍請說出此書號！【缺書】
NT售價： 345 元 |
| 出版日：1/1/2020 |
| 頁數：190 |
| 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：9787302539605 |
| 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：19世紀70 年代，電力的發明和應用掀起了第二次工業化高潮，從此改變了人們的生活方式，大大提高了人類的科技水平。現如今，深度學習技術也正在發揮同樣的作用。近年來，深度學習技術的發展非常迅速，表現出強勁的發展勢頭。毫無疑問，深度學習技術正在影響我們的日常生活和行為方式。
深度學習怎么學
深度學習怎么學？事實上，很多初學者常常有兩大誤區：一是找不到一本真正適合自己的教材或書本來學習，陷入海量資源中手足無措；二是受制于數學理論知識的匱乏，自認為數學基礎不好而影響學習的主動性和積極性。
這兩大誤區很容易讓初學者陷入迷茫的狀態。所以，第一步就是放棄海量資源。選擇一份真正適合自己的資料，好好研讀；第二步就是重視實踐。深度學習涉及的理論知識很多，有些人可能基礎不是特別扎實，就想從最底層的知識開始學起，如概率論、線性代數、凸優化理論等，但是這樣做比較耗時間，而且容易減弱學習的積極性。啃書本和推導公式相對來說是比較枯燥的，遠不如自己搭建一個簡單的神經網絡模型更能激發學習的積極性。當然，基礎理論知識非常重要，只是在入門的時候，最好先從頂層框架上有個系統的認識，然后再從實踐到理論，有的放矢地補充深度學習的知識點。從宏觀到微觀，從整體到細節，更有利于快速入門！
為什么寫這本書
在學習深度學習的幾年時間里，我學習過一些國內外優秀的深度學習公開課程，這些課程口碑都很好；我也看過不少優秀老師寫的高質量書籍，收獲頗豐；我也在學習的過程中走過一些彎路，這些都是寶貴的經驗。
我個人覺得，任何前沿技術，如深度學習，扎實的基礎知識非常重要，而最好的基礎知識的獲取方式還是教材和書本。反觀現在一些深度學習方面的書籍，或多或少存在以下問題：
（1）數學理論太多，公式多，起點高，對初學者不友善，容易削弱初學者學習的積極性。
（2）只講深度學習框架，介紹如何調包、調用庫函數，不講深度學習的理論知識。容易造成初學者對深度學習技術的一知半解，淪為“調包俠”。
（3）理論與實戰脫節，過于側重理論或者過于側重實戰，兩者之間沒有很好的融合。
基于以上問題，我認為寫一本真正適合深度學習初學者的入門書籍非常必要。這本書籍不僅要兼顧理論和實戰，還應該將重點和難點知識通俗化、全面、細致地講解。知識的難度呈階梯性，照顧不同水平的讀者。這樣的書籍才能最大限度地讓讀者受益。
基于這樣的考慮，《深度學習入門：基于PyTorch和TensorFlow的理論與實現》與大家見面了。
全書共9章，主要內容如下：
第1∼3章，主要對深度學習進行簡要概述，列舉重要的Python基礎知識，如何搭建開發環境，以及TensorFlow和PyTorch的精煉教程等內容。
第4∼7章，主要介紹神經網絡的基礎知識，以感知機入手，到簡單的兩層神經網絡，詳細推導正向傳播與反向梯度的算法理論，然后介紹深層神經網絡，并重點介紹神經網絡優化算法及構建神經網絡模型的實用建議。
第8∼9章，主要介紹卷積神經網絡（CNN）和循環神經網絡（RNN）的基本結構，重點剖析兩種模型的數學原理和推導過程。
本書特色
對于初學者而言，一本好的深度學習書籍能夠讓讀者輕輕松松地掌握基礎知識并觸類旁通。本書作為一本深度學習的入門書籍，對初學者是非常友好的。本書的內容來自我多年的知識積累和技術沉淀，也是我的深度學習經驗總結。
首先，這本書包含了Python的基本介紹。Python作為人工智能的首選語言，其重要性不言而喻。Python入門非常簡單。本書將對深度學習技術所需的基本Python語法知識進行簡明扼要的提煉和概括。如果有的讀者之前沒有接觸過Python，那么本書將帶你輕松入門。
其次，這本書介紹了當今主流的深度學習框架PyTorch和TensorFlow。通過本書，讀者可以系統地學習這兩個框架的基本語法和基礎知識，夯實基礎。如果之前對PyTorch和TensorFlow不了解也沒有關系，這本書也可以作為這兩個框架的知識學習手冊。
最重要的，這是一本關于深度學習的入門教程。我在編寫本書的時候，從“小白”的視角出發，結合多年的知識積累和經驗總結，盡量將深度學習、神經網絡的理論知識用通俗易懂的語言描繪出來。這本書能讓讀者真正了解、熟悉神經網絡的結構和優化方法，也能幫助讀者梳理一些容易被忽視的技術細節。例如最簡單的梯度下降算法，它的公式來源和理論支持是什么？本書會給出詳細的解釋。
值得注意的是，我一貫堅持將復雜的理論簡單化，本書會將理論以通俗的語言描述清楚，不深陷于數學公式之中。本書面向深度學習的入門者和初學者，不會涉及太多、太復雜的理論知識。因為入門深度學習，前期整體上的感性認識尤為重要。先輕松入門再深入了解，往往是比較正確的學習路線。我在編寫本書的時候，也一直以此為原則。如果想要學習更深層次、更高級的深度學習知識，讀者可以查閱更多的書籍、論文、會議資料等。
除此之外，深度學習更重要的是代碼實踐。本書的另一個優勢就是不僅講理論知識，也配備了完整的實際項目代碼。從簡單的邏輯回歸，到淺層神經網絡、深層神經網絡，再到卷積神經網絡、循環神經網絡，都會以一個實際項目為例從零搭建神經網絡，并使用PyTorch、TensorFlow來構建更復雜的模型解決問題。
本書所有代碼，讀者可關注微信公眾號“AI有道”回復“源碼”即可獲取。
面向的讀者
這是一本深度學習的入門書籍，也是一本關于Python、PyTorch、TensorFlow的工具手冊；這是一本深度學習的理論書籍，也是一本教你如何編寫代碼構建神經網絡的實戰手冊。我希望本書能夠幫助更多想要入門深度學習的愛好者掃清學習過程中的障礙，并對深度學習的了解再上新臺階。
本書面向的讀者包括深度學習初學者、對深度學習感興趣的在校大學生、有意向轉行人工智能領域的IT從業人員。
本書是一本不錯的深度學習工具手冊，其中不僅有理論知識，也有示例代碼。值得一提的是，如果你在深度學習領域已經有了一定的造詣，那么可能本書不太適合你，你應該更多地關注深度學習的前沿理論。 |
內容簡介：本書是一本系統介紹深度學習基礎知識和理論原理的入門書籍。本書從神經網絡的基本結構入手，詳細推導了前向傳播與反向傳播的數學公式和理論支持，詳細介紹了如今各種優化神經網絡的梯度優化算法和正則化技巧，給出了在實際應用中的超參數調試和網絡訓練的技巧。同時，也介紹了典型的卷積神經網絡（CNN）和循環神經網絡（RNN）。除了介紹理論基礎外，本書以Python為基礎，詳細介紹了如今主流的深度學習框架PyTorch和TensorFlow，并分別使用這兩種框架來構建相應的項目，幫助讀者從理論和實踐中提高自己的深度學習知識水平。 |
目錄：第1章深度學習基礎 1
1.1深度學習概述 1
1.1.1什么是深度學習 1
1.1.2深度學習的應用場景 3
1.1.3深度學習的發展動力 4
1.1.4深度學習的未來 4
1.2Python入門 5
1.2.1Python簡介 5
1.2.2Python的安裝 6
1.2.3Python基礎知識 6
1.2.4NumPy矩陣運算 11
1.2.5Matplotlib繪圖 15
1.3Anaconda與JupyterNotebook 19
1.3.1Anaconda 19
1.3.2JupyterNotebook 21
第2章PyTorch 26
2.1PyTorch概述 26
2.1.1什么是PyTorch 26
2.1.2為什么使用PyTorch 27
2.2PyTorch的安裝 27
2.3張量 30
2.3.1張量的創建 30
2.3.2張量的數學運算 31
2.3.3張量與NumPy數組 32
2.3.4CUDA張量 33
2.4自動求導 33
2.4.1返回值是標量 33
2.4.2返回值是張量 34
2.4.3禁止自動求導 34
2.5torch.nn和torch.optim 35
2.5.1torch.nn 35
2.5.2torch.optim 36
2.6線性回歸 37
2.6.1線性回歸的基本原理 37
2.6.2線性回歸的PyTorch實現 38
第3章TensorFlow 41
3.1TensorFlow概述 41
3.1.1什么是TensorFlow 41
3.1.2為什么使用TensorFlow 41
3.2TensorFlow的安裝 42
3.3張量 44
3.3.1張量的創建 44
3.3.2張量的數學運算 44
3.4數據流圖 45
3.5會話 46
3.6線性回歸的TensorFlow實現 48
3.7TensorBoard 51
3.7.1TensorBoard代碼 51
3.7.2TensorBoard顯示 52
第4章神經網絡基礎知識 55
4.1感知機 55
4.1.1感知機模型 55
4.1.2感知機與邏輯電路 56
4.2多層感知機 59
4.2.1感知機的局限性 59
4.2.2多層感知機實現異或門邏輯 61
4.3邏輯回歸 62
4.3.1基本原理 62
4.3.2損失函數 63
4.3.3梯度下降算法 65
4.3.4邏輯回歸的Python實現 69
第5章神經網絡 74
5.1基本結構 74
5.2前向傳播 75
5.3激活函數 76
5.4反向傳播 80
5.5更新參數 81
5.6初始化 81
5.7神經網絡的Python實現 82
5.7.1準備數據 82
5.7.2參數初始化 83
5.7.3前向傳播 84
5.7.4交叉熵損失 85
5.7.5反向傳播 85
5.7.6更新參數 86
5.7.7構建整個神經網絡模型 87
5.7.8訓練 88
5.7.9預測 88
第6章深層神經網絡 91
6.1深層神經網絡的優勢 91
6.2符號標記 93
6.3前向傳播與反向傳播 93
6.4多分類函數Softmax 96
6.4.1Softmax函數的基本原理 96
6.4.2Softmax損失函數 97
6.4.3對Softmax函數求導 97
6.5深層神經網絡的Python實現 99
6.5.1準備數據 99
6.5.2參數初始化 101
6.5.3前向傳播 102
6.5.4交叉熵損失 104
6.5.5反向傳播 105
6.5.6更新參數 107
6.5.7構建整個神經網絡 108
6.5.8訓練與預測 109
第7章優化神經網絡 112
7.1正則化 112
7.1.1什么是過擬合 112
7.1.2L2正則化和L1正則化 115
7.1.3Dropout正則化 117
7.1.4其他正則化技巧 120
7.2梯度優化 121
7.2.1批量梯度下降、隨機梯度下降和小批量梯度下降 121
7.2.2動量梯度下降算法 124
7.2.3牛頓動量 126
7.2.4AdaGrad 127
7.2.5RMSprop 127
7.2.6Adam 128
7.2.7學習率衰減 129
7.3網絡初始化與超參數調試 130
7.3.1輸入標準化 130
7.3.2權重參數初始化 132
7.3.3批歸一化 134
7.3.4超參數調試 136
7.4模型評估與調試 138
7.4.1模型評估 138
7.4.2訓練集、驗證集和測試集 139
7.4.3偏差與方差 141
7.4.4錯誤分析 141
第8章卷積神經網絡 144
8.1為什么選擇卷積神經網絡 144
8.2卷積神經網絡的基本結構 145
8.3卷積層 145
8.3.1卷積 146
8.3.2邊緣檢測 147
8.3.3填充 148
8.3.4步幅 149
8.3.5卷積神經網絡卷積 150
8.3.6卷積層的作用 153
8.4池化層 153
8.5全連接層 156
8.6卷積神經網絡模型 157
8.7典型的卷積神經網絡模型 158
8.7.1LeNet-5 159
8.7.2AlexNet 159
8.8卷積神經網絡模型的PyTorch實現 160
8.8.1準備數據 160
8.8.2定義卷積神經網絡模型 163
8.8.3損失函數與梯度優化 164
8.8.4訓練模型 165
8.8.5測試模型 166
8.9卷積神經網絡模型的TensorFlow實現 167
8.9.1準備數據 167
8.9.2定義卷積神經網絡模型 168
8.9.3損失函數與優化算法 170
8.9.4訓練并測試 170
第9章循環神經網絡 171
9.1為什么選擇循環神經網絡 171
9.2循環神經網絡的基本結構 172
9.3模型參數 173
9.4梯度消失 174
9.5GRU 175
9.6LSTM 176
9.7多種循環神經網絡模型 177
9.8循環神經網絡模型的PyTorch實現 179
9.8.1準備數據 180
9.8.2定義循環神經網絡模型 182
9.8.3損失函數與梯度優化 183
9.8.4訓練模型 183
9.8.5測試模型 184
9.9循環神經網絡模型的TensorFlow實現 185
9.9.1準備數據 185
9.9.2定義循環神經網絡模型 185
9.9.3損失函數與優化算法 187
9.9.4訓練并測試 187
后 記 188
參考文獻 189 |
| 序： |
