相關商品
商品簡介
作者簡介
目次
商品簡介
深度學習為人工智能帶來了巨大突破，也成為機器學習領域一顆閃耀的新星。雖然相關學習資料豐富，但大部分內容較為龐雜且難以理解，并對初學者的相關理論知識與實踐能力有較高的要求，這使得大部分想進入這一領域的初學者望而卻步。本書去繁化簡地對深度學習的理論知識進行了梳理，并對算法實現做出了淺顯易懂的講解，適合初學者進行學習。結合本書的內容，讀者可以快速對深度學習進行實踐。通過啟發式的自學模式，可以使讀者由淺入深地學習并掌握常用的深度學習模型，為進一步使用開源的深度學習平臺與工具提供理論與實踐基礎。
本書可作為高等院校計算機專業的本科生或研究生教材，也可供對深度學習感興趣的研究人員和工程技術人員閱讀參考。
本書可作為高等院校計算機專業的本科生或研究生教材，也可供對深度學習感興趣的研究人員和工程技術人員閱讀參考。
作者簡介
楊云教授，1981年生人。多年從事機器學習，數據挖掘，模式識別，大數據處理與分析等方面的研究工作，在英國曼徹斯特大學攻讀博士學位期間，入選英國政府資助的海外研究生獎勵計劃（UK Overseas Research Students Awards Scheme –ORSAS）。博士畢業之后，在英國薩里大學從事研究員工作，期間主持了由歐共體第七個框架計劃資助下的國際合作項目的子項目。
目次
目 錄
第1章 深度學習的發展介紹 1
1.1 如何閱讀本書 3
1.2 深度學習沉浮史 3
1.2.1 模擬生物大腦的瘋狂遠古時代 4
1.2.2 聯結主義近代 5
1.2.3 百花齊放，層次結構主導，模型巨大的當代 6
1.3 Python簡易教程 7
1.3.1 Anaconda搭建 7
1.3.2 IPython Notebook使用 7
1.3.3 Python基本用法 8
1.3.4 NumPy 15
1.3.5 Matplotlib 23
1.4 參考文獻 25
第2章 機器學習快速入門 27
2.1 學習算法 28
2.1.1 學習任務 29
2.1.2 性能度量 30
2.1.3 學習經驗 32
2.2 代價函數 33
2.2.1 均方誤差函數 33
2.2.2 極大似然估計 34
2.3 梯度下降法 36
2.3.1 批量梯度下降法 38
2.3.2 隨機梯度下降法 39
2.4 過擬合與欠擬合 40
2.4.1 沒免費午餐理論 42
2.4.2 正則化 43
2.5 超參數與驗證集 44
2.6 Softmax編碼實戰 46
2.6.1 編碼說明 49
2.6.2 熟練使用CIFAR-10 數據集 50
2.6.3 顯式循環計算損失函數及其梯度 53
2.6.4 向量化表達式計算損失函數及其梯度 56
2.6.5 最小批量梯度下降算法訓練Softmax分類器 57
2.6.6 使用驗證數據選擇超參數 61
2.7 參考代碼 68
2.8 參考文獻 70
第3章 前饋神經網絡 72
3.1 神經元 73
3.1.1 Sigmoid神經元 74
3.1.2 Tanh神經元 75
3.1.3 ReLU神經元 76
3.2 前饋神經網絡 80
3.2.1 輸出層單元 80
3.2.2 隱藏層單元 80
3.2.3 網絡結構設計 81
3.3 BP算法 82
3.4 深度學習編碼實戰上 86
3.4.1 實現仿射傳播 88
3.4.2 實現ReLU傳播 91
3.4.3 組合單層神經元 93
3.4.4 實現淺層神經網絡 96
3.4.5 實現深層全連接網絡 101
3.5 參考代碼 109
3.6 參考文獻 113
第4章 深度學習正則化 115
4.1 參數范數懲罰 116
4.1.1 L2參數正則化 118
4.1.2 L1正則化 119
4.2 參數綁定與參數共享 120
4.3 噪聲注入與數據擴充 120
4.4 稀疏表征 122
4.5 早停 123
4.6 Dropout 126
4.6.1 個體與集成 126
4.6.2 Dropout 127
4.7 深度學習編碼實戰中 129
4.7.1 Dropout傳播 131
4.7.2 組合Dropout傳播層 134
4.7.3 Dropout神經網絡 136
4.7.4 解耦訓練器trainer 138
4.7.5 解耦更新器updater 143
4.7.6 正則化實驗 145
4.8 參考代碼 148
4.9 參考文獻 150
第5章 深度學習優化 152
5.1 神經網絡優化困難 153
5.1.1 局部最優 153
5.1.2 鞍點 154
5.1.3 梯度懸崖 154
5.1.4 梯度消失或梯度爆炸 155
5.1.5 梯度不精確 156
5.1.6 優化理論的局限性 156
5.2 隨機梯度下降 156
5.3 動量學習法 158
5.4 AdaGrad和RMSProp 159
5.5 Adam 160
5.6 參數初始化策略 161
5.7 批量歸一化 163
5.7.1 BN算法詳解 163
5.7.2 BN傳播詳解 165
5.8 深度學習編碼實戰下 166
5.8.1 Momentum 167
5.8.2 RMSProp 171
5.8.3 Adam 172
5.8.4 更新規則比較 174
5.8.5 BN前向傳播 176
5.8.6 BN反向傳播 180
5.8.7 使用BN的全連接網絡 182
5.8.8 BN算法與權重標準差比較 188
5.9 參考代碼 191
5.10 參考文獻 195
第6章 卷積神經網絡 196
6.1 卷積操作 197
6.2 卷積的意義 198
6.2.1 稀疏連接 199
6.2.2 參數共享 200
6.3 池化操作 201
6.4 設計卷積神經網絡 204
6.4.1 跨步卷積 204
6.4.2 零填充 205
6.4.3 非共享卷積 206
6.4.4 平鋪卷積 207
6.5 卷積網絡編碼練習 208
6.5.1 卷積前向傳播 209
6.5.2 卷積反向傳播 212
6.5.3 最大池化前向傳播 215
6.5.4 最大池化反向傳播 218
6.5.5 向量化執行 220
6.5.6 組合完整卷積層 223
6.5.7 淺層卷積網絡 224
6.5.8 空間批量歸一化 229
6.6 參考代碼 233
6.7 參考文獻 237
第7章 循環神經網絡 238
7.1 循環神經網絡 239
7.1.1 循環神經元展開 239
7.1.2 循環網絡訓練 240
7.2 循環神經網絡設計 242
7.2.1 雙向循環網絡結構 242
7.2.2 編碼-解碼網絡結構 243
7.2.3 深度循環網絡結構 244
7.3 門控循環神經網絡 245
7.3.1 LSTM 246
7.3.2 門控循環單元 249
7.4 RNN編程練習 250
7.4.1 RNN單步傳播 252
7.4.2 RNN時序傳播 255
7.4.3 詞嵌入 258
7.4.4 RNN輸出層 261
7.4.5 時序Softmax損失 262
7.4.6 RNN圖片說明任務 264
7.5 LSTM編程練習 269
7.5.1 LSTM單步傳播 269
7.5.2 LSTM時序傳播 273
7.5.3 LSTM實現圖片說明任務 276
7.6 參考代碼 278
7.6.1 RNN參考代碼 278
7.6.2 LSTM參考代碼 282
7.7 參考文獻 285
第8章 TensorFlow快速入門 287
8.1 TensorFlow介紹 288
8.2 TensorFlow 1.0安裝指南 289
8.2.1 雙版本切換Anaconda 289
8.2.2 安裝CUDA 8.0 291
8.2.3 安裝cuDNN 292
8.2.4 安裝TensorFlow 293
8.2.5 驗證安裝 294
8.3 TensorFlow基礎 295
8.3.1 Tensor 295
8.3.2 TensorFlow核心API教程 296
8.3.3 tf.train API 299
8.3.4 tf.contrib.learn 301
8.4 TensorFlow構造CNN 305
8.4.1 構建Softmax模型 305
8.4.2 使用TensorFlow訓練模型 307
8.4.3 使用TensorFlow評估模型 308
8.4.4 使用TensorFlow構建卷積神經網絡 308
8.5 TensorBoard快速入門 311
8.5.1 TensorBoard可視化學習 312
8.5.2 計算圖可視化 316
第1章 深度學習的發展介紹 1
1.1 如何閱讀本書 3
1.2 深度學習沉浮史 3
1.2.1 模擬生物大腦的瘋狂遠古時代 4
1.2.2 聯結主義近代 5
1.2.3 百花齊放，層次結構主導，模型巨大的當代 6
1.3 Python簡易教程 7
1.3.1 Anaconda搭建 7
1.3.2 IPython Notebook使用 7
1.3.3 Python基本用法 8
1.3.4 NumPy 15
1.3.5 Matplotlib 23
1.4 參考文獻 25
第2章 機器學習快速入門 27
2.1 學習算法 28
2.1.1 學習任務 29
2.1.2 性能度量 30
2.1.3 學習經驗 32
2.2 代價函數 33
2.2.1 均方誤差函數 33
2.2.2 極大似然估計 34
2.3 梯度下降法 36
2.3.1 批量梯度下降法 38
2.3.2 隨機梯度下降法 39
2.4 過擬合與欠擬合 40
2.4.1 沒免費午餐理論 42
2.4.2 正則化 43
2.5 超參數與驗證集 44
2.6 Softmax編碼實戰 46
2.6.1 編碼說明 49
2.6.2 熟練使用CIFAR-10 數據集 50
2.6.3 顯式循環計算損失函數及其梯度 53
2.6.4 向量化表達式計算損失函數及其梯度 56
2.6.5 最小批量梯度下降算法訓練Softmax分類器 57
2.6.6 使用驗證數據選擇超參數 61
2.7 參考代碼 68
2.8 參考文獻 70
第3章 前饋神經網絡 72
3.1 神經元 73
3.1.1 Sigmoid神經元 74
3.1.2 Tanh神經元 75
3.1.3 ReLU神經元 76
3.2 前饋神經網絡 80
3.2.1 輸出層單元 80
3.2.2 隱藏層單元 80
3.2.3 網絡結構設計 81
3.3 BP算法 82
3.4 深度學習編碼實戰上 86
3.4.1 實現仿射傳播 88
3.4.2 實現ReLU傳播 91
3.4.3 組合單層神經元 93
3.4.4 實現淺層神經網絡 96
3.4.5 實現深層全連接網絡 101
3.5 參考代碼 109
3.6 參考文獻 113
第4章 深度學習正則化 115
4.1 參數范數懲罰 116
4.1.1 L2參數正則化 118
4.1.2 L1正則化 119
4.2 參數綁定與參數共享 120
4.3 噪聲注入與數據擴充 120
4.4 稀疏表征 122
4.5 早停 123
4.6 Dropout 126
4.6.1 個體與集成 126
4.6.2 Dropout 127
4.7 深度學習編碼實戰中 129
4.7.1 Dropout傳播 131
4.7.2 組合Dropout傳播層 134
4.7.3 Dropout神經網絡 136
4.7.4 解耦訓練器trainer 138
4.7.5 解耦更新器updater 143
4.7.6 正則化實驗 145
4.8 參考代碼 148
4.9 參考文獻 150
第5章 深度學習優化 152
5.1 神經網絡優化困難 153
5.1.1 局部最優 153
5.1.2 鞍點 154
5.1.3 梯度懸崖 154
5.1.4 梯度消失或梯度爆炸 155
5.1.5 梯度不精確 156
5.1.6 優化理論的局限性 156
5.2 隨機梯度下降 156
5.3 動量學習法 158
5.4 AdaGrad和RMSProp 159
5.5 Adam 160
5.6 參數初始化策略 161
5.7 批量歸一化 163
5.7.1 BN算法詳解 163
5.7.2 BN傳播詳解 165
5.8 深度學習編碼實戰下 166
5.8.1 Momentum 167
5.8.2 RMSProp 171
5.8.3 Adam 172
5.8.4 更新規則比較 174
5.8.5 BN前向傳播 176
5.8.6 BN反向傳播 180
5.8.7 使用BN的全連接網絡 182
5.8.8 BN算法與權重標準差比較 188
5.9 參考代碼 191
5.10 參考文獻 195
第6章 卷積神經網絡 196
6.1 卷積操作 197
6.2 卷積的意義 198
6.2.1 稀疏連接 199
6.2.2 參數共享 200
6.3 池化操作 201
6.4 設計卷積神經網絡 204
6.4.1 跨步卷積 204
6.4.2 零填充 205
6.4.3 非共享卷積 206
6.4.4 平鋪卷積 207
6.5 卷積網絡編碼練習 208
6.5.1 卷積前向傳播 209
6.5.2 卷積反向傳播 212
6.5.3 最大池化前向傳播 215
6.5.4 最大池化反向傳播 218
6.5.5 向量化執行 220
6.5.6 組合完整卷積層 223
6.5.7 淺層卷積網絡 224
6.5.8 空間批量歸一化 229
6.6 參考代碼 233
6.7 參考文獻 237
第7章 循環神經網絡 238
7.1 循環神經網絡 239
7.1.1 循環神經元展開 239
7.1.2 循環網絡訓練 240
7.2 循環神經網絡設計 242
7.2.1 雙向循環網絡結構 242
7.2.2 編碼-解碼網絡結構 243
7.2.3 深度循環網絡結構 244
7.3 門控循環神經網絡 245
7.3.1 LSTM 246
7.3.2 門控循環單元 249
7.4 RNN編程練習 250
7.4.1 RNN單步傳播 252
7.4.2 RNN時序傳播 255
7.4.3 詞嵌入 258
7.4.4 RNN輸出層 261
7.4.5 時序Softmax損失 262
7.4.6 RNN圖片說明任務 264
7.5 LSTM編程練習 269
7.5.1 LSTM單步傳播 269
7.5.2 LSTM時序傳播 273
7.5.3 LSTM實現圖片說明任務 276
7.6 參考代碼 278
7.6.1 RNN參考代碼 278
7.6.2 LSTM參考代碼 282
7.7 參考文獻 285
第8章 TensorFlow快速入門 287
8.1 TensorFlow介紹 288
8.2 TensorFlow 1.0安裝指南 289
8.2.1 雙版本切換Anaconda 289
8.2.2 安裝CUDA 8.0 291
8.2.3 安裝cuDNN 292
8.2.4 安裝TensorFlow 293
8.2.5 驗證安裝 294
8.3 TensorFlow基礎 295
8.3.1 Tensor 295
8.3.2 TensorFlow核心API教程 296
8.3.3 tf.train API 299
8.3.4 tf.contrib.learn 301
8.4 TensorFlow構造CNN 305
8.4.1 構建Softmax模型 305
8.4.2 使用TensorFlow訓練模型 307
8.4.3 使用TensorFlow評估模型 308
8.4.4 使用TensorFlow構建卷積神經網絡 308
8.5 TensorBoard快速入門 311
8.5.1 TensorBoard可視化學習 312
8.5.2 計算圖可視化 316
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。