4.4 用户推荐指数
科技
类型
9.1
豆瓣评分
可以朗读
语音朗读
172千字
字数
2020-08-01
发行日期
展开全部
主编推荐语
本书细致阐释神经网络和深度学习的核心概念，带你掌握神经网络的工作原理。
内容简介
本书深入讲解神经网络和深度学习技术，侧重于阐释深度学习的核心概念。
作者以技术原理为导向，辅以贯穿全书的MNIST手写数字识别项目示例，介绍神经网络架构、反向传播算法、过拟合解决方案、卷积神经网络等内容，以及如何利用这些知识改进深度学习项目。
学完本书后，你将能够通过编写Python代码来解决复杂的模式识别问题。
目录
- 版权信息
- 内容提要
- 作者简介
- 本书赞誉
- 译者序
- 前言
- 第1章 使用神经网络识别手写数字
- 1.1 感知机
- 1.2 sigmoid神经元
- 1.3 神经网络的架构
- 1.4 一个简单的神经网络：分类手写数字
- 1.5 利用梯度下降算法进行学习
- 1.6 实现分类数字的神经网络
- 1.7 迈向深度学习
- 第2章 反向传播算法工作原理
- 2.1 热身：使用矩阵快速计算输出
- 2.2 关于代价函数的两个假设
- 2.3 阿达马积s⊙t
- 2.4 反向传播的4个基本方程
- 2.5 基本方程的证明（选学）
- 2.6 反向传播算法
- 2.7 反向传播代码
- 2.8 就何而言，反向传播算快
- 2.9 反向传播：全局观
- 第3章 改进神经网络的学习方法
- 3.1 交叉熵代价函数
- 3.1.1 引入交叉熵代价函数
- 3.1.2 使用交叉熵来对MNIST数字进行分类
- 3.1.3 交叉熵的含义与起源
- 3.1.4 softmax
- 3.2 过拟合和正则化
- 3.2.1 正则化
- 3.2.2 为何正则化有助于减轻过拟合
- 3.2.3 其他正则化技术
- 3.3 权重初始化
- 3.4 复探手写识别问题：代码
- 3.5 如何选择神经网络的超参数
- 3.6 其他技术
- 3.6.1 随机梯度下降算法的变化形式
- 3.6.2 其他人工神经元模型
- 3.6.3 有关神经网络的故事
- 第4章 神经网络可以计算任何函数的可视化证明
- 4.1 两个预先声明
- 4.2 一个输入和一个输出的普遍性
- 4.3 多个输入变量
- 4.4 不止sigmoid神经元
- 4.5 修补阶跃函数
- 4.6 小结
- 第5章 为何深度神经网络很难训练
- 5.1 梯度消失问题
- 5.2 梯度消失的原因
- 5.2.1 为何出现梯度消失
- 5.2.2 梯度爆炸问题
- 5.2.3 梯度不稳定问题
- 5.2.4 梯度消失问题普遍存在
- 5.3 复杂神经网络中的梯度不稳定
- 5.4 深度学习的其他障碍
- 第6章 深度学习
- 6.1 卷积神经网络入门
- 6.1.1 局部感受野
- 6.1.2 共享权重和偏置
- 6.1.3 池化层
- 6.2 卷积神经网络的实际应用
- 6.2.1 使用修正线性单元
- 6.2.2 扩展训练数据
- 6.2.3 插入额外的全连接层
- 6.2.4 集成神经网络
- 6.3 卷积神经网络的代码
- 6.4 图像识别领域近期的进展
- 6.4.1 2012年的LRMD论文
- 6.4.2 2012年的KSH论文
- 6.4.3 2014年的ILSVRC竞赛
- 6.4.4 其他活动
- 6.5 其他深度学习模型
- 6.5.1 循环神经网络
- 6.5.2 长短期记忆单元
- 6.5.3 深度信念网络、生成模型和玻尔兹曼机
- 6.5.4 其他想法
- 6.6 神经网络的未来
- 6.6.1 意图驱动的用户界面
- 6.6.2 机器学习、数据科学和创新的循环
- 6.6.3 神经网络和深度学习的作用
- 6.6.4 神经网络和深度学习将主导人工智能
- 附录 是否存在关于智能的简单算法
展开全部
评分及书评
4.4
12个评分
给这本书评了5.0终于有正式出版物当年看的是英文原版和网友翻译版，这本书是真的好。
出版方
人民邮电出版社·图灵出品
图灵社区成立于2005年6月，由人民邮电出版社投资控股，以策划出版高质量的科技书籍为核心业务，主要出版领域包括计算机、电子电气、数学统计、科普等，通过引进国际高水平的教材、专著，以及发掘国内优秀原创作品等途径，为目标读者提供一流的内容。
