互联网 类型
可以朗读 语音朗读
135千字 字数
2020-01-01 发行日期
展开全部

主编推荐语

本书是一本系统介绍深度学习基础知识和理论原理的入门书籍。

内容简介

本书从神经网络的基本结构入手，详细推导了前向传播与反向传播的数学公式和理论支持，详细介绍了如今各种优化神经网络的梯度优化算法和正则化技巧，给出了在实际应用中的超参数调试和网络训练的技巧。

同时，也介绍了典型的卷积神经网络（CNN）和循环神经网络（RNN）。

除了介绍理论基础外，本书以Python为基础，详细介绍了如今主流的深度学习框架PyTorch和TensorFlow，并分别使用这两种框架来构建相应的项目，帮助读者从理论和实践中提高自己的深度学习知识水平。

目录

  • 版权信息
  • 作者简介
  • 内容简介
  • Preface 前言
  • 深度学习怎么学
  • 为什么写这本书
  • 本书特色
  • 面向的读者
  • 第1章 深度学习基础
  • 1.1 深度学习概述
  • 1.1.1 什么是深度学习
  • 1.1.2 深度学习的应用场景
  • 1.1.3 深度学习的发展动力
  • 1.1.4 深度学习的未来
  • 1.2 Python入门
  • 1.2.1 Python简介
  • 1.2.2 Python的安装
  • 1.2.3 Python基础知识
  • 1.2.4 NumPy矩阵运算
  • 1.2.5 Matplotlib绘图
  • 1.3 Anaconda与Jupyter Notebook
  • 1.3.1 Anaconda
  • 1.3.2 Jupyter Notebook
  • 第2章 PyTorch
  • 2.1 PyTorch概述
  • 2.1.1 什么是PyTorch
  • 2.1.2 为什么使用PyTorch
  • 2.2 PyTorch的安装
  • 2.3 张量
  • 2.3.1 张量的创建
  • 2.3.2 张量的数学运算
  • 2.3.3 张量与NumPy数组
  • 2.3.4 CUDA张量
  • 2.4 自动求导
  • 2.4.1 返回值是标量
  • 2.4.2 返回值是张量
  • 2.4.3 禁止自动求导
  • 2.5 torch.nn和torch.optim
  • 2.5.1 torch.nn
  • 2.5.2 torch.optim
  • 2.6 线性回归
  • 2.6.1 线性回归的基本原理
  • 2.6.2 线性回归的PyTorch实现
  • 第3章 TensorFlow
  • 3.1 TensorFlow概述
  • 3.1.1 什么是TensorFlow
  • 3.1.2 为什么使用TensorFlow
  • 3.2 TensorFlow的安装
  • 3.3 张量
  • 3.3.1 张量的创建
  • 3.3.2 张量的数学运算
  • 3.4 数据流图
  • 3.5 会话
  • 3.6 线性回归的TensorFlow实现
  • 3.7 TensorBoard
  • 3.7.1 TensorBoard代码
  • 3.7.2 TensorBoard显示
  • 第4章 神经网络基础知识
  • 4.1 感知机
  • 4.1.1 感知机模型
  • 4.1.2 感知机与逻辑电路
  • 4.2 多层感知机
  • 4.2.1 感知机的局限性
  • 4.2.2 多层感知机实现异或门逻辑
  • 4.3 逻辑回归
  • 4.3.1 基本原理
  • 4.3.2 损失函数
  • 4.3.3 梯度下降算法
  • 4.3.4 逻辑回归的Python实现
  • 第5章 神经网络
  • 5.1 基本结构
  • 5.2 前向传播
  • 5.3 激活函数
  • 5.4 反向传播
  • 5.5 更新参数
  • 5.6 初始化
  • 5.7 神经网络的Python实现
  • 5.7.1 准备数据
  • 5.7.2 参数初始化
  • 5.7.3 前向传播
  • 5.7.4 交叉熵损失
  • 5.7.5 反向传播
  • 5.7.6 更新参数
  • 5.7.7 构建整个神经网络模型
  • 5.7.8 训练
  • 5.7.9 预测
  • 第6章 深层神经网络
  • 6.1 深层神经网络的优势
  • 6.2 符号标记
  • 6.3 前向传播与反向传播
  • 6.4 多分类函数Softmax
  • 6.4.1 Softmax函数的基本原理
  • 6.4.2 Softmax损失函数
  • 6.4.3 对Softmax函数求导
  • 6.5 深层神经网络的Python实现
  • 6.5.1 准备数据
  • 6.5.2 参数初始化
  • 6.5.3 前向传播
  • 6.5.4 交叉熵损失
  • 6.5.5 反向传播
  • 6.5.6 更新参数
  • 6.5.7 构建整个神经网络
  • 6.5.8 训练与预测
  • 第7章 优化神经网络
  • 7.1 正则化
  • 7.1.1 什么是过拟合
  • 7.1.2 L2正则化和L1正则化
  • 7.1.3 Dropout正则化
  • 7.1.4 其他正则化技巧
  • 7.2 梯度优化
  • 7.2.1 批量梯度下降、随机梯度下降和小批量梯度下降
  • 7.2.2 动量梯度下降算法
  • 7.2.3 牛顿动量
  • 7.2.4 AdaGrad
  • 7.2.5 RMSprop
  • 7.2.6 Adam
  • 7.2.7 学习率衰减
  • 7.3 网络初始化与超参数调试
  • 7.3.1 输入标准化
  • 7.3.2 权重参数初始化
  • 7.3.3 批归一化
  • 7.3.4 超参数调试
  • 7.4 模型评估与调试
  • 7.4.1 模型评估
  • 7.4.2 训练集、验证集和测试集
  • 7.4.3 偏差与方差
  • 7.4.4 错误分析
  • 第8章 卷积神经网络
  • 8.1 为什么选择卷积神经网络
  • 8.2 卷积神经网络的基本结构
  • 8.3 卷积层
  • 8.3.1 卷积
  • 8.3.2 边缘检测
  • 8.3.3 填充
  • 8.3.4 步幅
  • 8.3.5 卷积神经网络卷积
  • 8.3.6 卷积层的作用
  • 8.4 池化层
  • 8.5 全连接层
  • 8.6 卷积神经网络模型
  • 8.7 典型的卷积神经网络模型
  • 8.7.1 LeNet-5
  • 8.7.2 AlexNet
  • 8.8 卷积神经网络模型的PyTorch实现
  • 8.8.1 准备数据
  • 8.8.2 定义卷积神经网络模型
  • 8.8.3 损失函数与梯度优化
  • 8.8.4 训练模型
  • 8.8.5 测试模型
  • 8.9 卷积神经网络模型的TensorFlow实现
  • 8.9.1 准备数据
  • 8.9.2 定义卷积神经网络模型
  • 8.9.3 损失函数与优化算法
  • 8.9.4 训练并测试
  • 第9章 循环神经网络
  • 9.1 为什么选择循环神经网络
  • 9.2 循环神经网络的基本结构
  • 9.3 模型参数
  • 9.4 梯度消失
  • 9.5 GRU
  • 9.6 LSTM
  • 9.7 多种循环神经网络模型
  • 9.8 循环神经网络模型的PyTorch实现
  • 9.8.1 准备数据
  • 9.8.2 定义循环神经网络模型
  • 9.8.3 损失函数与梯度优化
  • 9.8.4 训练模型
  • 9.8.5 测试模型
  • 9.9 循环神经网络模型的TensorFlow实现
  • 9.9.1 准备数据
  • 9.9.2 定义循环神经网络模型
  • 9.9.3 损失函数与优化算法
  • 9.9.4 训练并测试
  • 后记
  • 参考文献
展开全部

评分及书评

尚无评分
目前还没人评分
  • 加载中...

出版方

清华大学出版社

清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。