深度學習入門基于Python的理論與實現(xiàn)

定　價：￥59.00

作　者：	齋藤康毅著，陸宇杰譯
出版社：	人民郵電出版社
叢編項：	圖靈程序設計叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115485588	出版時間：	2018-07-01	包裝：	平裝
開本：	大32開	頁數(shù)：	285	字數(shù)：

內容簡介

　　本書是深度學習真正意義上的入門書，深入淺出地剖析了深度學習的原理和相關技術。書中使用Python3，盡量不依賴外部庫或工具，從基本的數(shù)學知識出發(fā)，帶領讀者從零創(chuàng)建一個經(jīng)典的深度學習網(wǎng)絡，使讀者在此過程中逐步理解深度學習。書中不僅介紹了深度學習和神經(jīng)網(wǎng)絡的概念、特征等基礎知識，對誤差反向傳播法、卷積神經(jīng)網(wǎng)絡等也有深入講解，此外還介紹了深度學習相關的實用技巧，自動駕駛、圖像生成、強化學習等方面的應用，以及為什么加深層可以提高識別精度等疑難的問題。本書適合深度學習初學者閱讀，也可作為高校教材使用。

作者簡介

　　齋藤康毅（作者）東京工業(yè)大學畢業(yè)，并完成東京大學研究生院課程?，F(xiàn)從事計算機視覺與機器學習相關的研究和開發(fā)工作。是Introducing Python、Python in Practice、The Elements of Computing Systems、Building Machine Learning Systems with Python的日文版譯者。陸宇杰（譯者）眾安科技NLP算法工程師。主要研究方向為自然語言處理及其應用，對圖像識別、機器學習、深度學習等領域有密切關注。Python愛好者。

圖書目錄

目錄
譯者序　xiii
前言　xv
第　1 章 Python入門　1
1．1　Python是什么　1
1．2　Python的安裝　2
1．2．1　Python版本　2
1．2．2　使用的外部庫　2
1．2．3　Anaconda發(fā)行版　3
1．3　Python解釋器　4
1．3．1　算術計算　4
1．3．2　數(shù)據(jù)類型　5
1．3．3　變量　5
1．3．4　列表　6
1．3．5　字典　7
1．3．6　布爾型　7
1．3．7　if 語句　8
1．3．8　for 語句　8
1．3．9　函數(shù)　9
1．4　Python腳本文件　9
1．4．1　保存為文件　9
1．4．2　類　10
1．5　NumPy　11
1．5．1　導入NumPy　11
1．5．2　生成NumPy數(shù)組　12
1．5．3　NumPy 的算術運算　12
1．5．4　NumPy的N維數(shù)組　13
1．5．5　廣播　14
1．5．6　訪問元素　15
1．6　Matplotlib　16
1．6．1　繪制簡單圖形　16
1．6．2　pyplot 的功能　17
1．6．3　顯示圖像　18
1．7　小結　19
第　2 章感知機　21
2．1　感知機是什么　21
2．2　簡單邏輯電路　23
2．2．1　與門　23
2．2．2　與非門和或門　23
2．3　感知機的實現(xiàn)　25
2．3．1　簡單的實現(xiàn)　25
2．3．2　導入權重和偏置　26
2．3．3　使用權重和偏置的實現(xiàn)　26
2．4　感知機的局限性　28
2．4．1　異或門　28
2．4．2　線性和非線性　30
2．5　多層感知機　31
2．5．1　已有門電路的組合　31
2．5．2　異或門的實現(xiàn)　33
2．6　從與非門到計算機　35
2．7　小結　36
第3　章神經(jīng)網(wǎng)絡　37
3．1　從感知機到神經(jīng)網(wǎng)絡　37
3．1．1　神經(jīng)網(wǎng)絡的例子　37
3．1．2　復習感知機　38
3．1．3　激活函數(shù)登場　40
3．2　激活函數(shù)　42
3．2．1　sigmoid 函數(shù)　42
3．2．2　階躍函數(shù)的實現(xiàn)　43
3．2．3　階躍函數(shù)的圖形　44
3．2．4　sigmoid 函數(shù)的實現(xiàn)　45
3．2．5　sigmoid 函數(shù)和階躍函數(shù)的比較　46
3．2．6　非線性函數(shù)　48
3．2．7　ReLU函數(shù)　49
3．3　多維數(shù)組的運算　50
3．3．1　多維數(shù)組　50
3．3．2　矩陣乘法　51
3．3．3　神經(jīng)網(wǎng)絡的內積　55
3．4　3 層神經(jīng)網(wǎng)絡的實現(xiàn)　56
3．4．1　符號確認　57
3．4．2　各層間信號傳遞的實現(xiàn)　58
3．4．3　代碼實現(xiàn)小結　62
3．5　輸出層的設計　63
3．5．1　恒等函數(shù)和softmax 函數(shù)　64
3．5．2　實現(xiàn)softmax 函數(shù)時的注意事項　66
3．5．3　softmax 函數(shù)的特征　67
3．5．4　輸出層的神經(jīng)元數(shù)量　68
3．6　手寫數(shù)字識別　69
3．6．1　MNIST數(shù)據(jù)集　70
3．6．2　神經(jīng)網(wǎng)絡的推理處理　73
3．6．3　批處理　75
3．7　小結　79
第4　章神經(jīng)網(wǎng)絡的學習　81
4．1　從數(shù)據(jù)中學習　81
4．1．1　數(shù)據(jù)驅動　82
4．1．2　訓練數(shù)據(jù)和測試數(shù)據(jù)　84
4．2　損失函數(shù)　85
4．2．1　均方誤差　85
4．2．2　交叉熵誤差　87
4．2．3　mini-batch 學習　88
4．2．4　mini-batch 版交叉熵誤差的實現(xiàn)　91
4．2．5　為何要設定損失函數(shù)　92
4．3　數(shù)值微分　94
4．3．1　導數(shù)　94
4．3．2　數(shù)值微分的例子　96
4．3．3　偏導數(shù)　98
4．4　梯度　100
4．4．1　梯度法　102
4．4．2　神經(jīng)網(wǎng)絡的梯度　106
4．5　學習算法的實現(xiàn)　109
4．5．1　2 層神經(jīng)網(wǎng)絡的類　110
4．5．2　mini-batch 的實現(xiàn)　114
4．5．3　基于測試數(shù)據(jù)的評價　116
4．6　小結　118
第5　章誤差反向傳播法　121
5．1　計算圖　121
5．1．1　用計算圖求解　122
5．1．2　局部計算　124
5．1．3　為何用計算圖解題　125
5．2　鏈式法則　126
5．2．1　計算圖的反向傳播　127
5．2．2　什么是鏈式法則　127
5．2．3　鏈式法則和計算圖　129
5．3　反向傳播　130
5．3．1　加法節(jié)點的反向傳播　130
5．3．2　乘法節(jié)點的反向傳播　132
5．3．3　蘋果的例子　133
5．4　簡單層的實現(xiàn)　135
5．4．1　乘法層的實現(xiàn)　135
5．4．2　加法層的實現(xiàn)　137
5．5　激活函數(shù)層的實現(xiàn)　139
5．5．1　ReLU層　139
5．5．2　Sigmoid 層　141
5．6　Affine/Softmax層的實現(xiàn)　144
5．6．1　Affine層　144
5．6．2　批版本的Affine層　148
5．6．3　Softmax-with-Loss 層　150
5．7　誤差反向傳播法的實現(xiàn)　154
5．7．1　神經(jīng)網(wǎng)絡學習的全貌圖　154
5．7．2　對應誤差反向傳播法的神經(jīng)網(wǎng)絡的實現(xiàn)　155
5．7．3　誤差反向傳播法的梯度確認　158
5．7．4　使用誤差反向傳播法的學習　159
5．8　小結　161
第6　章與學習相關的技巧　163
6．1　參數(shù)的更新　163
6．1．1　探險家的故事　164
6．1．2　SGD　164
6．1．3　SGD的缺點　166
6．1．4　Momentum　168
6．1．5　AdaGrad　170
6．1．6　Adam　172
6．1．7　使用哪種更新方法呢　174
6．1．8　基于MNIST數(shù)據(jù)集的更新方法的比較　175
6．2　權重的初始值　176
6．2．1　可以將權重初始值設為0 嗎　176
6．2．2　隱藏層的激活值的分布　177
6．2．3　ReLU的權重初始值　181
6．2．4　基于MNIST數(shù)據(jù)集的權重初始值的比較　183
6．3　Batch Normalization　184
6．3．1　Batch Normalization 的算法　184
6．3．2　Batch Normalization 的評估　186
6．4　正則化　188
6．4．1　過擬合　189
6．4．2　權值衰減　191
6．4．3　Dropout　192
6．5　超參數(shù)的驗證　195
6．5．1　驗證數(shù)據(jù)　195
6．5．2　超參數(shù)的最優(yōu)化　196
6．5．3　超參數(shù)最優(yōu)化的實現(xiàn)　198
6．6　小結　200
第7　章卷積神經(jīng)網(wǎng)絡　201
7．1　整體結構　201
7．2　卷積層　202
7．2．1　全連接層存在的問題　203
7．2．2　卷積運算　203
7．2．3　填充　206
7．2．4　步幅　207
7．2．5　3 維數(shù)據(jù)的卷積運算　209
7．2．6　結合方塊思考　211
7．2．7　批處理　213
7．3　池化層　214
7．4　卷積層和池化層的實現(xiàn)　216
7．4．1　4 維數(shù)組　216
7．4．2　基于im2col 的展開　217
7．4．3　卷積層的實現(xiàn)　219
7．4．4　池化層的實現(xiàn)　222
7．5　CNN的實現(xiàn)　224
7．6　CNN的可視化　228
7．6．1　第 1 層權重的可視化　228
7．6．2　基于分層結構的信息提取　230
7．7　具有代表性的CNN　231
7．7．1　LeNet　231
7．7．2　AlexNet　232
7．8　小結　233
第8　章深度學習　235
8．1　加深網(wǎng)絡　235
8．1．1　向更深的網(wǎng)絡出發(fā)　235
8．1．2　進一步提高識別精度　238
8．1．3　加深層的動機　240
8．2　深度學習的小歷史　242
8．2．1　ImageNet　243
8．2．2　VGG　244
8．2．3　GoogLeNet　245
8．2．4　ResNet　246
8．3　深度學習的高速化　248
8．3．1　需要努力解決的問題　248
8．3．2　基于GPU的高速化　249
8．3．3　分布式學習　250
8．3．4　運算精度的位數(shù)縮減　252
8．4　深度學習的應用案例　253
8．4．1　物體檢測　253
8．4．2　圖像分割　255
8．4．3　圖像標題的生成　256
8．5　深度學習的未來　258
8．5．1　圖像風格變換　258
8．5．2　圖像的生成　259
8．5．3　自動駕駛　261
8．5．4　Deep Q-Network（強化學習）　262
8．6　小結　264
附錄A　Softmax-with-Loss 層的計算圖　267
A．1　正向傳播　268
A．2　反向傳播　270
A．3　小結　277
參考文獻　279