科技 类型
可以朗读 语音朗读
82千字 字数
2019-09-01 发行日期
展开全部

主编推荐语

深度学习入门！不借助框架，用Python从头创建深度学习模型，带你闯关的算法书。

内容简介

深度学习是机器学习的重要分支。本书系统地介绍了如何用 Python和 NumPy一步步地实现深度学习的基础模型，无须借助TensorFlow、PyTorch等深度学习框架，帮助读者更好地理解底层算法的脉络，进而进行模型的定制、优化和改进。全书由简到难地讲述感知机模型、多分类神经网络、深层全连接网络、卷积神经网络、批量规范化方法、循环神经网络、长短时记忆网络、双向结构的 BiGRU模型等神经网络模型的必要算法推导、实现及其实例，读者可直接动手调试和观察整个训练过程，进一步理解模型及其算法原理。

目录

  • 版权信息
  • 前言
  • 符号表
  • 第1章 基础分类模型
  • 1.1 深度学习简介
  • 1.2 目标问题：空间中的二分类
  • 1.3 感知机模型
  • 1.3.1 感知机函数
  • 1.3.2 损失函数
  • 1.3.3 感知机学习算法
  • 1.4 算法实现
  • 1.4.1 环境搭建
  • 1.4.2 数据准备
  • 1.4.3 实现感知机算法
  • 1.5 小结
  • 参考文献
  • 第2章 第一个神经网络
  • 2.1 目标问题：MNIST手写数字识别
  • 2.1.1 数据集
  • 2.1.2 图像数据和图向量
  • 2.2 挑战：从二分类到多分类
  • 2.3 Softmax方法
  • 2.4 正确分类的独热编码
  • 2.5 损失函数——交叉熵
  • 2.6 信息熵和交叉熵
  • 2.6.1 信息熵
  • 2.6.2 交叉熵
  • 2.7 第一个神经网络的学习算法
  • 2.8 反向传播
  • 2.9 抽象泄漏
  • 2.10 算法实现
  • 2.10.1 数据准备
  • 2.10.2 实现第一个神经网络
  • 2.10.3 实现MINIST手写数字识别
  • 2.11 小结
  • 参考文献
  • 第3章 多层全连接神经网络
  • 3.1 第一个挑战：异或问题
  • 3.2 更深的神经网络——隐藏层
  • 3.3 第二个挑战：参数拟合的两面性
  • 3.4 过拟合与正则化
  • 3.4.1 欠拟合与过拟合
  • 3.4.2 正则化
  • 3.4.3 正则化的效果
  • 3.5 第三个挑战：非线性可分问题
  • 3.6 激活函数
  • 3.7 算法和结构
  • 3.8 算法实现
  • 3.8.1 数据准备
  • 3.8.2 实现多层全连接神经网络
  • 3.8.3 在数据集上验证模型
  • 3.9 小结
  • 参考文献
  • 第4章 卷积神经网络（CNN）
  • 4.1 挑战：参数量和训练成本
  • 4.2 卷积神经网络的结构
  • 4.2.1 卷积层
  • 4.2.2 池化层
  • 4.2.3 全连接层和Softmax处理
  • 4.3 卷积神经网络学习算法
  • 4.3.1 全连接层
  • 4.3.2 池化层反向传播
  • 4.3.3 卷积层反向传播
  • 4.4 算法实现
  • 4.4.1 数据准备
  • 4.4.2 卷积神经网络模型的原始实现
  • 4.5 小结
  • 参考文献
  • 第5章 卷积神经网络——算法提速和优化
  • 5.1 第一个挑战：卷积神经网络的运算效率
  • 5.2 提速改进
  • 5.2.1 边缘填充提速
  • 5.2.2 池化层提速
  • 5.2.3 卷积层处理
  • 5.3 反向传播算法实现
  • 5.3.1 池化层反向传播
  • 5.3.2 卷积层反向传播
  • 5.4 第二个挑战：梯度下降的幅度和方向
  • 5.5 递减学习率参数
  • 5.6 学习策略的优化方法
  • 5.6.1 动量方法
  • 5.6.2 NAG方法
  • 5.6.3 Adagrad方法
  • 5.6.4 RMSprop方法
  • 5.6.5 AdaDelta方法
  • 5.6.6 Adam方法
  • 5.6.7 各种优化方法的比较
  • 5.7 总体模型结构
  • 5.8 使用CNN实现MNIST手写数字识别验证
  • 5.9 小结
  • 参考文献
  • 第6章 批量规范化（Batch Normalization）
  • 6.1 挑战：深度神经网络不易训练
  • 6.2 批量规范化方法的初衷
  • 6.2.1 数据集偏移
  • 6.2.2 输入分布偏移
  • 6.2.3 内部偏移
  • 6.3 批量规范化的算法
  • 6.3.1 训练时的前向计算
  • 6.3.2 规范化与标准化变量
  • 6.3.3 推理预测时的前向计算
  • 6.3.4 全连接层和卷积层的批量规范化处理
  • 6.4 批量规范化的效果
  • 6.4.1 梯度传递问题
  • 6.4.2 饱和非线性激活问题
  • 6.4.3 正则化效果
  • 6.5 批量规范化为何有效
  • 6.6 批量规范化的反向传播算法
  • 6.7 算法实现
  • 6.7.1 训练时的前向传播
  • 6.7.2 反向传播
  • 6.7.3 推理预测
  • 6.8 调整学习率和总体结构
  • 6.8.1 模型结构
  • 6.8.2 卷积层批量规范化的实现
  • 6.8.3 引入批量规范化后的递减学习率
  • 6.9 在MNIST数据集上验证结果
  • 6.10 小结
  • 参考文献
  • 第7章 循环神经网络（Vanilla RNN）
  • 7.1 第一个挑战：序列特征的捕捉
  • 7.2 循环神经网络的结构
  • 7.2.1 单层RNN
  • 7.2.2 双向RNN
  • 7.2.3 多层RNN
  • 7.3 RNN前向传播算法
  • 7.4 RNN反向传播算法
  • 7.4.1 误差的反向传播
  • 7.4.2 激活函数的导函数和参数梯度
  • 7.5 第二个挑战：循环神经网络的梯度传递问题
  • 7.6 梯度裁剪
  • 7.7 算法实现
  • 7.8 目标问题：序列数据分析
  • 7.8.1 数据准备
  • 7.8.2 模型搭建
  • 7.8.3 验证结果
  • 7.9 小结
  • 参考文献
  • 第8章 长短时记忆网络（LSTM）——指数分析
  • 8.1 目标问题：投资市场的指数分析
  • 8.2 挑战：梯度弥散问题
  • 8.3 长短时记忆网络的结构
  • 8.4 LSTM前向传播算法
  • 8.5 LSTM反向传播算法
  • 8.5.1 误差反向传播
  • 8.5.2 激活函数的导函数和参数梯度
  • 8.6 算法实现
  • 8.6.1 实现LSTM单时间步的前向计算
  • 8.6.2 实现LSTM多层多时间步的前向计算
  • 8.6.3 实现LSTM单时间步的反向传播
  • 8.6.4 实现LSTM多层多时间步的反向传播
  • 8.7 实现沪深300指数分析
  • 8.7.1 数据准备
  • 8.7.2 模型构建
  • 8.7.3 分析结果
  • 8.8 小结
  • 参考文献
  • 第9章 双向门控循环单元（BiGRU）——情感分析
  • 9.1 目标问题：情感分析
  • 9.2 第一个挑战：模型的运算效率
  • 9.3 GRU模型的结构
  • 9.4 GRU前向传播算法
  • 9.5 GRU前向传播表达式的其他写法
  • 9.6 GRU反向传播算法
  • 9.7 GRU算法实现
  • 9.7.1 单时间步的前向计算
  • 9.7.2 实现单时间步的反向传播
  • 9.8 用GRU模型进行情感分析
  • 9.8.1 数据预处理
  • 9.8.2 构建情感分析模型
  • 9.9 首次验证
  • 9.10 第二个挑战：序列模型的过拟合
  • 9.11 Dropout正则化
  • 9.11.1 Dropout前向传播算法
  • 9.11.2 Dropout反向传播算法
  • 9.11.3 Dropout Rate的选择
  • 9.12 再次验证：GRU+Dropout
  • 9.13 第三个挑战：捕捉逆序信息
  • 9.14 双向门控循环单元（BiGRU）
  • 9.15 第三次验证：BiGRU+Dropout
  • 9.16 小结
  • 参考文献
  • 附录A 向量和矩阵运算
  • 附录B 导数和微分
  • 附录C 向量和矩阵导数
  • 附录D 概率论和数理统计
  • 后记
  • 索引
展开全部

评分及书评

评分不足
1个评分
  • 用户头像
    给这本书评了
    5.0
    非常好的一本原理书，推荐

    内容立足于算法原理，让人知其然并知其所以然。编码部分我是否可以理解为部分替代了 tensorflow 或者华为的 mindspore 的其中一些算法功能呢？真挺不错

      转发
      评论

    出版方

    电子工业出版社

    电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。