科技
类型
可以朗读
语音朗读
225千字
字数
2020-04-01
发行日期
展开全部
主编推荐语
了解深度学习的入门书。
内容简介
本书理论结合实践，详细介绍深度学习的基础理论以及相关的必要知识，同时讲解深度学习模型和代码，以实际动手操作的方式来引导读者学习。
本书共分12章，主要包括深度学习的环境准备、深度学习的基础知识准备、神经网络相关知识及优化、卷积神经网络相关知识与可视化以及使用Keras构建神经网络、卷积神经网络、循环神经网络等内容。
本书适合希望了解深度学习、掌握深度学习基础、使用深度学习工具快速上手的学生和技术人员作为入门图书。
目录
- 版权信息
- 前言
- 第1章 深度学习入门
- 1.1 什么是深度学习
- 1.1.1 深度学习是一种特定类型的机器学习
- 1.1.2 深度学习是数学问题
- 1.1.3 深度学习是一个黑箱
- 1.2 深度学习的发展
- 1.3 认识当前的深度学习
- 1.3.1 为什么是现在
- 1.3.2 当数据成为“燃料”
- 1.3.3 深度学习的突破
- 1.4 深度学习的应用领域
- 1.4.1 深度学习适合做什么
- 1.4.2 深度学习的应用场景
- 1.5 如何入门深度学习
- 第2章 深度学习的环境准备
- 2.1 选择Python作为深度学习的编程语言
- 2.2 深度学习常用框架介绍
- 2.3 选择适合自己的框架
- 2.4 Python的安装
- 2.4.1 概述
- 2.4.2 安装Anaconda
- 2.4.3 使用conda进行环境管理和包管理
- 2.5 Keras的安装
- 2.5.1 什么是Keras
- 2.5.2 安装TensorFlow
- 2.5.3 安装Keras
- 第3章 深度学习的知识准备
- 3.1 概率论
- 3.1.1 什么是概率
- 3.1.2 概率分布
- 3.1.3 信息论
- 3.2 线性代数
- 3.2.1 矩阵
- 3.2.2 矩阵的运算
- 3.2.3 从矩阵中取值
- 3.2.4 相关术语
- 3.3 导数
- 3.3.1 什么是导数
- 3.3.2 链式法则
- 3.4 机器学习基础
- 3.4.1 监督学习
- 3.4.2 分类和回归
- 3.4.3 训练、验证和预测
- 第4章 神经网络
- 4.1 神经网络与深度学习
- 4.1.1 生物学中的神经网络
- 4.1.2 深度学习网络
- 4.2 前向传播算法
- 4.2.1 神经网络的表示
- 4.2.2 神经元的计算
- 4.2.3 激活函数
- 4.2.4 神经网络的前向传播
- 4.3 反向传播算法
- 4.3.1 神经网络的训练
- 4.3.2 损失函数
- 4.3.3 梯度下降
- 4.3.4 神经网络的反向传播
- 4.4 更好地训练神经网络
- 4.4.1 选择正确的损失函数
- 4.4.2 选择通用的激活函数
- 4.4.3 更合适的优化算法
- 4.4.4 选择合适的批量
- 4.4.5 参数初始化
- 第5章 使用Keras构建神经网络
- 5.1 Keras中的模型
- 5.2 Keras中的网络层
- 5.3 模型的编译
- 5.3.1 优化器
- 5.3.2 损失函数
- 5.3.3 性能评估
- 5.4 训练模型
- 5.5 使用训练好的模型
- 5.6 实例：手写体分类问题
- 5.7 Keras批量训练大量数据
- 5.8 在Keras中重复使用模型
- 第6章 神经网络的进一步优化
- 6.1 过拟合
- 6.2 梯度消失和梯度爆炸
- 6.3 局部最优
- 6.4 批量归一化
- 第7章 卷积神经网络
- 7.1 计算机视觉和图像识别
- 7.2 卷积神经网络基础
- 7.2.1 卷积神经网络的结构
- 7.2.2 卷积层
- 7.2.3 池化层
- 7.2.4 卷积神经网络的设计
- 7.3 为什么要使用卷积神经网络
- 7.4 图像处理数据集
- 7.5 CNN发展历程
- 7.5.1 AlexNet
- 7.5.2 VGG
- 7.5.3 Inception
- 7.5.4 ResNet
- 第8章 使用Keras构建卷积神经网络
- 8.1 Keras中的卷积层
- 8.2 Keras中的池化层
- 8.3 Keras中的全连接层
- 8.4 实例1：使用卷积神经网络处理手写体分类问题
- 8.5 实例2：重复使用已经训练好的卷积神经网络模型
- 8.6 图像的数据增强
- 8.6.1 使用ImageDataGenerator进行数据增强
- 8.6.2 使用增强数据进行模型训练
- 第9章 卷积神经网络可视化
- 9.1 概述
- 9.2 对神经网络进行可视化
- 9.2.1 可视化神经网络的中间层
- 9.2.2 可视化过滤器
- 9.3 对关注点进行可视化
- 9.3.1 显著图
- 9.3.2 类激活图
- 9.4 自动驾驶的应用
- 第10章 迁移学习
- 10.1 什么是迁移学习
- 10.2 为什么要使用迁移学习
- 10.3 迁移学习的适用性
- 10.4 在Keras中进行迁移学习
- 10.4.1 在MNIST上迁移学习的例子
- 10.4.2 迁移学习的适用情况
- 10.4.3 实例
- 第11章 循环神经网络
- 11.1 神经网络中的序列问题
- 11.2 循环神经网络的使用
- 11.2.1 输入/输出
- 11.2.2 前向传播
- 11.2.3 反向传播
- 11.3 长短期记忆网络
- 11.4 应用场景
- 第12章 使用Keras构建循环神经网络
- 12.1 Keras中的循环层
- 12.2 Keras中的嵌入层
- 12.3 IMDB实例
- 12.3.1 全连接网络
- 12.3.2 SimpleRNN
- 12.3.3 LSTM
- 12.3.4 双向循环神经网络
- 12.3.5 用了卷积层的循环网络结构
- 12.4 LSTM实例
- 12.4.1 深度学习中的时间序列问题
- 12.4.2 使用更多的历史信息
- 12.4.3 多个时间步长的预测
- 12.5 有状态的循环神经网络
- 12.5.1 字母预测问题
- 12.5.2 有状态的LSTM
展开全部
评分及书评
评分不足
2个评分
- 给这本书评了4.0确实很适合入门，也正是我入门学习深度学习的书
用了近 16 个小时看完，通过阅读其他深度学习的书籍并对比后，发现这本书确实也是非常适合入门的。浅显易懂，但确实是很浅，也需要配合其他深度学习的书再补基础。这本书适合培养对深度学习的兴趣
出版方
机械工业出版社有限公司
机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。
