異步深度學習經典教程：深度學習+動手學深度學習（套裝共2冊，京東）

定　價：￥253.00

作　者：	[美] Ian Goodfellow（伊恩·古德費洛），[加] Yoshua Bengio（約書亞·本吉奧）等著
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥253.00)

ISBN：	9787115004697	出版時間：	2019-06-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內容簡介

　　動手學深度學習內容簡介：本書旨在向讀者交付有關深度學習的交互式學習體驗。書中不僅闡述深度學習的算法原理，還演示它們的實現(xiàn)和運行。與傳統(tǒng)圖書不同，本書的每一節(jié)都是一個可以下載并運行的 Jupyter記事本，它將文字、公式、圖像、代碼和運行結果結合在了一起。此外，讀者還可以訪問并參與書中內容的討論。全書的內容分為3個部分：第一部分介紹深度學習的背景，提供預備知識，并包括深度學習基礎的概念和技術；第二部分描述深度學習計算的重要組成部分，還解釋近年來令深度學習在多個領域大獲成功的卷積神經網(wǎng)絡和循環(huán)神經網(wǎng)絡；第三部分評價優(yōu)化算法，檢驗影響深度學習計算性能的重要因素，并分別列舉深度學習在計算機視覺和自然語言處理中的重要應用。本書同時覆蓋深度學習的方法和實踐，主要面向在校大學生、技術人員和研究人員。閱讀本書需要讀者了解基本的Python編程或附錄中描述的線性代數(shù)、微分和概率基礎。深度學習內容介紹：《深度學習》由全球知名的三位專家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰寫，是深度學習領域奠基性的經典教材。全書的內容包括3個部分：第 1部分介紹基本的數(shù)學工具和機器學習的概念，它們是深度學習的預備知識；第 2部分系統(tǒng)深入地講解現(xiàn)今已成熟的深度學習方法和技術；第3部分討論某些具有前瞻性的方向和想法，它們被公認為是深度學習未來的研究重點。《深度學習》適合各類讀者閱讀，包括相關專業(yè)的大學生或研究生，以及不具有機器學習或統(tǒng)計背景、但是想要快速補充深度學習知識，以便在實際產品或平臺中應用的軟件工程師。

作者簡介

　　動手學深度學習作者介紹：阿斯頓·張（Aston Zhang）美亞應用科學家，美國伊利諾伊大學香檳分校計算機科學博士，統(tǒng)計學和計算機科學雙碩士。他專注于機器學習的研究，并在數(shù)個學術會議發(fā)表過論文。他擔任過NeurIPS、ICML、KDD、WWW、WSDM、SIGIR、AAAI 等學術會議的程序委員或審稿人以及Frontiers in Big Data 期刊的編委。李沐（Mu Li）美亞首席科學家（Principal Scientist），加州大學伯克利分?？妥斫淌?，美國卡內基梅隆大學計算機系博士。他專注于分布式系統(tǒng)和機器學習算法的研究。他是深度學習框架MXNet 的作者之一。他曾任機器學習創(chuàng)業(yè)公司Marianas Labs 的CTO 和百度深度學習研究院的主任研發(fā)架構師。他在理論、機器學習、應用和操作系統(tǒng)等多個領域的學術會議（包括FOCS、ICML、NeurIPS、AISTATS、CVPR、KDD 、WSDM、OSDI）上發(fā)表過論文。扎卡里·C. 立頓（Zachary C. Lipton）美亞應用科學家，美國卡內基梅隆大學助理教授，美國加州大學圣迭戈分校博士。他專注于機器學習算法及其社會影響的研究，特別是在時序數(shù)據(jù)與序列決策上的深度學習。這類工作有著廣泛的應用場景，包括醫(yī)療診斷、對話系統(tǒng)和產品推薦。他創(chuàng)立了博客“Approximately Correct”（approximatelycorrect.com）。亞歷山大·J. 斯莫拉（Alexander J. Smola）美亞副總裁/ 杰出科學家，德國柏林工業(yè)大學計算機科學博士。他曾在澳大利亞國立大學、美國加州大學伯克利分校和卡內基梅隆大學任教。他發(fā)表了超過200篇學術論文，并著有5本書，其論文及書被引用超過10萬次。他的研究興趣包括深度學習、貝葉斯非參數(shù)、核方法、統(tǒng)計建模和可擴展算法。深度學習作者簡介： Ian Goodfellow，谷歌公司（Google）的研究科學家，2014 年蒙特利爾大學機器學習博士。他的研究興趣涵蓋大多數(shù)深度學習主題，特別是生成模型以及機器學習的安全和隱私。Ian Goodfellow在研究對抗樣本方面是一位有影響力的早期研究者，他發(fā)明了生成式對抗網(wǎng)絡，在深度學習領域貢獻卓越。Yoshua Bengio，蒙特利爾大學計算機科學與運籌學系（DIRO）的教授，蒙特利爾學習算法研究所（MILA）的負責人，CIFAR 項目的共同負責人，加拿大統(tǒng)計學習算法研究主席。Yoshua Bengio 的主要研究目標是了解產生智力的學習原則。他還教授“機器學習”研究生課程（IFT6266），并培養(yǎng)了一大批研究生和博士后。Aaron Courville，蒙特利爾大學計算機科學與運籌學系的助理教授，也是LISA 實驗室的成員。目前他的研究興趣集中在發(fā)展深度學習模型和方法，特別是開發(fā)概率模型和新穎的推斷方法。Aaron Courville 主要專注于計算機視覺應用，在其他領域，如自然語言處理、音頻信號處理、語音理解和其他AI相關任務方面也有所研究。中文版審校者簡介張志華，北京大學數(shù)學科學學院統(tǒng)計學教授，北京大學大數(shù)據(jù)研究中心和北京大數(shù)據(jù)研究院數(shù)據(jù)科學教授，主要從事機器學習和應用統(tǒng)計學的教學與研究工作。譯者簡介趙申劍，上海交通大學計算機系碩士研究生，研究方向為數(shù)值優(yōu)化和自然語言處理。黎彧君，上海交通大學計算機系博士研究生，研究方向為數(shù)值優(yōu)化和強化學習。符天凡，上海交通大學計算機系碩士研究生，研究方向為貝葉斯推斷。李凱，上海交通大學計算機系博士研究生，研究方向為博弈論和強化學習。

圖書目錄

動手學深度學習目錄：
對本書的贊譽
前言
如何使用本書
資源與支持
主要符號表
第　1 章深度學習簡介　1
1.1　起源　2
1.2　發(fā)展　4
1.3　成功案例　6
1.4　特點　7
小結　8
練習　8
第　2 章預備知識　9
2.1　獲取和運行本書的代碼　9
2.1.1　獲取代碼并安裝運行環(huán)境　9
2.1.2　更新代碼和運行環(huán)境　11
2.1.3　使用GPU版的MXNet　11
小結12
練習12
2.2　數(shù)據(jù)操作　12
2.2.1　創(chuàng)建NDArray　12
2.2.2　運算　14
2.2.3　廣播機制　16
2.2.4　索引　17
2.2.5　運算的內存開銷　17
2.2.6　NDArray和NumPy相互變換18
小結19
練習19
2.3　自動求梯度　19
2.3.1　簡單例子　19AL34
2.3.2　訓練模式和預測模式　20
2.3.3　對Python控制流求梯度　20
小結21
練習21
2.4　查閱文檔　21
2.4.1　查找模塊里的所有函數(shù)和類　21
2.4.2　查找特定函數(shù)和類的使用　22
2.4.3　在MXNet網(wǎng)站上查閱　23
小結　24
練習　24
第3　章深度學習基礎　25
3.1　線性回歸　25
3.1.1　線性回歸的基本要素　25
3.1.2　線性回歸的表示方法　28
小結　30
練習　30
3.2　線性回歸的從零開始實現(xiàn)　30
3.2.1　生成數(shù)據(jù)集　30
3.2.2　讀取數(shù)據(jù)集　32
3.2.3　初始化模型參數(shù)　32
3.2.4　定義模型　33
3.2.5　定義損失函數(shù)　33
3.2.6　定義優(yōu)化算法　33
3.2.7　訓練模型　33
小結　34
練習　34
3.3　線性回歸的簡潔實現(xiàn)　35
3.3.1　生成數(shù)據(jù)集　35
3.3.2　讀取數(shù)據(jù)集　35
3.3.3　定義模型　36
3.3.4　初始化模型參數(shù)　36
3.3.5　定義損失函數(shù)　37
3.3.6　定義優(yōu)化算法　37
3.3.7　訓練模型　37
小結　38
練習　38
3.4　softmax回歸　38
3.4.1　分類問題　38
3.4.2　softmax回歸模型　39
3.4.3　單樣本分類的矢量計算表達式　40
3.4.4　小批量樣本分類的矢量計算表達式　40
3.4.5　交叉熵損失函數(shù)　41
3.4.6　模型預測及評價　42
小結　42
練習　42
3.5　圖像分類數(shù)據(jù)集（Fashion-MNIST）　42
3.5.1　獲取數(shù)據(jù)集　42
3.5.2　讀取小批量　44
小結　45
練習　45
3.6　softmax回歸的從零開始實現(xiàn)　45
3.6.1　讀取數(shù)據(jù)集　45
3.6.2　初始化模型參數(shù)　45
3.6.3　實現(xiàn)softmax運算　46
3.6.4　定義模型　46
3.6.5　定義損失函數(shù)　47
3.6.6　計算分類準確率　47
3.6.7　訓練模型　48
3.6.8　預測　48
小結　49
練習　49
3.7　softmax回歸的簡潔實現(xiàn)　49
3.7.1　讀取數(shù)據(jù)集　49
3.7.2　定義和初始化模型　50
3.7.3　softmax和交叉熵損失函數(shù)　50
3.7.4　定義優(yōu)化算法　50
3.7.5　訓練模型　50
小結　50
練習　50
3.8　多層感知機　51
3.8.1　隱藏層　51
3.8.2　激活函數(shù)　52
3.8.3　多層感知機　55
小結　55
練習　55
3.9　多層感知機的從零開始實現(xiàn)　56
3.9.1　讀取數(shù)據(jù)集　56
3.9.2　定義模型參數(shù)　56
3.9.3　定義激活函數(shù)　56
3.9.4　定義模型　56
3.9.5　定義損失函數(shù)　57
3.9.6　訓練模型　57
小結　57
練習　57
3.10　多層感知機的簡潔實現(xiàn)　57
3.10.1　定義模型　58
3.10.2　訓練模型　58
小結　58
練習　58
3.11　模型選擇、欠擬合和過擬合　58
3.11.1　訓練誤差和泛化誤差　59
3.11.2　模型選擇　59
3.11.3　欠擬合和過擬合　60
3.11.4　多項式函數(shù)擬合實驗　61
小結　65
練習　65
3.12　權重衰減　65
3.12.1　方法　65
3.12.2　高維線性回歸實驗　66
3.12.3　從零開始實現(xiàn)　66
3.12.4　簡潔實現(xiàn)　68
小結　70
練習　70
3.13　丟棄法　70
3.13.1　方法　70
3.13.2　從零開始實現(xiàn)　71
3.13.3　簡潔實現(xiàn)　73
小結　74
練習　74
3.14　正向傳播、反向傳播和計算圖　74
3.14.1　正向傳播　74
3.14.2　正向傳播的計算圖　75
3.14.3　反向傳播　75
3.14.4　訓練深度學習模型　76
小結　77
練習　77
3.15　數(shù)值穩(wěn)定性和模型初始化　77
3.15.1　衰減和爆炸　77
3.15.2　隨機初始化模型參數(shù)　78
小結　78
練習　79
3.16　實戰(zhàn)Kaggle比賽：房價預測　79
3.16.1　Kaggle比賽　79
3.16.2　讀取數(shù)據(jù)集　80
3.16.3　預處理數(shù)據(jù)集　81
3.16.4　訓練模型　82
3.16.5　k 折交叉驗證　82
3.16.6　模型選擇　83
3.16.7　預測并在Kaggle提交結果　84
小結　85
練習　85
第4章深度學習計算　86
4.1　模型構造　86
小結　89
練習　90
4.2　模型參數(shù)的訪問、初始化和共享　90
小結　94
練習　94
4.3　模型參數(shù)的延后初始化　95
小結　96
練習　97
4.4　自定義層　97
小結　99
練習　99
4.5　讀取和存儲　99
小結　101
練習　101
4.6　GPU計算　101
小結　105
練習　105
第5章卷積神經網(wǎng)絡　106
5.1　二維卷積層　106
小結　110
練習　110
5.2　填充和步幅　111
小結　113
練習　113
5.3　多輸入通道和多輸出通道　114
小結　117
練習　117
5.4　池化層　117
小結　120
練習　121
5.5　卷積神經網(wǎng)絡（LeNet）　121
小結　124
練習　124
5.6　深度卷積神經網(wǎng)絡（AlexNet）　124
小結　128
練習　129
5.7　使用重復元素的網(wǎng)絡（VGG）　129
5.7.1　VGG塊　129
5.7.2　VGG網(wǎng)絡　129
5.7.3　訓練模型　130
小結　131
練習　131
5.8　網(wǎng)絡中的網(wǎng)絡（NiN）　131
小結　134
練習　134
5.9　含并行連結的網(wǎng)絡（GoogLeNet）　134
小結　137
練習　137
5.10　批量歸一化　138
小結　142
練習　142
5.11　殘差網(wǎng)絡（ResNet）　143
小結　146
練習　146
5.12　稠密連接網(wǎng)絡（DenseNet）　147
小結　149
練習　149
第6章循環(huán)神經網(wǎng)絡　150
6.1　語言模型　150
小結　152
練習　152
6.2　循環(huán)神經網(wǎng)絡　152
小結　155
練習　155
6.3　語言模型數(shù)據(jù)集（歌詞）　155
小結　158
練習　159
6.4　循環(huán)神經網(wǎng)絡的從零開始實現(xiàn)　159
小結　164
練習　164
6.5　循環(huán)神經網(wǎng)絡的簡潔實現(xiàn)　165
小結　168
練習　168
小結　170
練習　170
6.7　門控循環(huán)單元（GRU）　170
小結　176
練習　176
6.8　長短期記憶（LSTM）　176
小結　181
練習　182
6.9　深度循環(huán)神經網(wǎng)絡　182
小結　183
練習　183
6.10　雙向循環(huán)神經網(wǎng)絡　183
小結　184
練習　184
第7章優(yōu)化算法　185
7.1　優(yōu)化與深度學習　185
小結　188
練習　189
7.2　梯度下降和隨機梯度下降　189
小結　194
練習　194
7.3　小批量隨機梯度下降　194
小結　199
練習　199
7.4　動量法　200
小結　205
練習　205
7.5　AdaGrad算法206
小結　209
練習　209
7.6　RMSProp算法　209
小結　212
練習　212
7.7　AdaDelta算法　212
小結　214
練習　214
7.8　Adam算法　215
小結　217
練習　217
第8章計算性能　218
8.1　命令式和符號式混合編程　218
小結　224
練習　224
8.2　異步計算　224
小結　229
練習　229
8.3　自動并行計算　229
小結　231
練習　231
8.4　多GPU計算　232
小結　237
練習　237
8.5　多GPU計算的簡潔實現(xiàn)　237
小結　241
練習　241
第9章計算機視覺　242
9.1　圖像增廣242
小結　250
練習　250
9.2　微調　250
熱狗識別　251
小結　255
練習　255
9.3　目標檢測和邊界框　255
邊界框　256
小結　257
練習　257
9.4　錨框　257
小結　265
練習　265
9.5　多尺度目標檢測　265
小結　268
練習　268
9.6　目標檢測數(shù)據(jù)集（皮卡丘）　268
小結　270
練習　271
9.7　單發(fā)多框檢測（SSD）　271
小結　278
練習　278
9.8　區(qū)域卷積神經網(wǎng)絡（R-CNN）系列280
小結　285
練習　285
9.9　語義分割和數(shù)據(jù)集　285
小結　290
練習　290
9.10　全卷積網(wǎng)絡（FCN）　290
小結　297
練習　297
9.11　樣式遷移　298
小結　306
練習　306
9.12　實戰(zhàn)Kaggle比賽：圖像分類（CIFAR-10）306
小結　313
練習　313
9.13　實戰(zhàn)Kaggle比賽：狗的品種識別（ImageNet　Dogs）　314
小結　320
練習　320
第10 章自然語言處理　321
10.1　詞嵌入（word2vec）　321
小結　325
練習　325
10.2　近似訓練325
小結　327
練習　328
10.3　word2vec的實現(xiàn)328
小結　336
練習　336
10.4　子詞嵌入（fastText）　336
小結　337
練習　337
10.5　全局向量的詞嵌入（GloVe）337
小結　340
練習　340
10.6　求近義詞和類比詞340
小結　343
練習　343
10.7　文本情感分類：使用循環(huán)神經網(wǎng)絡　343
小結　347
練習　347
10.8　文本情感分類：使用卷積神經網(wǎng)絡（textCNN）　347
小結　353
練習　353
10.9　編碼器-解碼器（seq2seq）353
小結　355
練習　355
10.10　束搜索　355
小結　358
練習　358
10.11　注意力機制　358
小結　361
練習　361
10.12　機器翻譯　361
小結　369
練習　369
附錄A　數(shù)學基礎　370
附錄B　使用 Jupyter 記事本　376
附錄C　使用 AWS 運行代碼　381
附錄D　GPU 購買指南　388
附錄E　如何為本書做貢獻　391
附錄F　d2lzh 包索引　395
附錄G　中英文術語對照表　397
參考文獻　402
索引　407