Python深度學習入門：從零構建CNN和RNN

定　價：￥79.00

作　者：	塞思·韋德曼（Seth Weidman）著，鄭天民譯
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 (￥62.30)

ISBN：	9787115555649	出版時間：	2021-02-01	包裝：	平裝
開本：	16開	頁數(shù)：	192	字數(shù)：

內容簡介

　　本書全面介紹了深度學習知識，借助數(shù)學公式、示意圖和代碼，旨在幫助讀者從數(shù)學層面、概念層面和應用層面理解神經網絡。讀者可以跟隨本書構建和訓練神經網絡模型，從而解決實際問題。另外，本書著重介紹卷積神經網絡和循環(huán)神經網絡，并提供PyTorch開源神經網絡庫的使用方法，有助于學習構建更高級的神經網絡架構。

作者簡介

　　作者介紹塞思.韋德曼（Seth Weidman），SentiLink公司數(shù)據(jù)科學家。他曾在Facebook公司從事數(shù)據(jù)科學工作，并為多家企業(yè)開發(fā)了深度學習培訓課程。塞思善于通過簡單明了的方式解釋復雜的概念。除了講授課程，他還熱衷于技術寫作，并撰寫了大量PyTorch教程。譯者介紹鄭天民，日本足利工業(yè)大學信息工程學碩士，研究方向為人工智能在大規(guī)模調度系統(tǒng)中的應用，在國際三大索引上發(fā)表多篇論文。擁有十余年軟件行業(yè)從業(yè)經驗，前后經歷過多家大型上市公司、互聯(lián)網電商、健康類獨角獸公司，擔任CTO、系統(tǒng)分析架構師和技術總監(jiān)等職務。阿里云MVP、騰訊云TVP、TGO鯤鵬會會員。著有《Spring響應式微服務》《系統(tǒng)架構設計》《向技術管理者轉型》《微服務設計原理與架構》《微服務架構實戰(zhàn)》等。

圖書目錄

第 1章　基本概念 1
1．1　函數(shù) 2
1．2　導數(shù) 6
1．3　嵌套函數(shù) 8
1．4　鏈式法則 9
1．5　示例介紹 12
1．6　多輸入函數(shù) 15
1．7　多輸入函數(shù)的導數(shù) 16
1．8　多向量輸入函數(shù) 17
1．9　基于已有特征創(chuàng)建新特征 18
1．10　多向量輸入函數(shù)的導數(shù) 20
1．11　向量函數(shù)及其導數(shù)：再進一步 22
1．12　包含兩個二維矩陣輸入的計算圖 25
1．13　有趣的部分：后向傳遞 28
1．14　小結 34
第 2章　基本原理 35
2．1　監(jiān)督學習概述 36
2．2　監(jiān)督學習模型 38
2．3　線性回歸 38
2．3．1　線性回歸：示意圖 39
2．3．2　線性回歸：更有用的示意圖和數(shù)學 41
2．3．3　加入截距項 41
2．3．4　線性回歸：代碼 42
2．4　訓練模型 42
2．4．1　計算梯度：示意圖 43
2．4．2　計算梯度：數(shù)學和一些代碼 43
2．4．3　計算梯度：完整的代碼 44
2．4．4　使用梯度訓練模型 45
2．5　評估模型：訓練集與測試集 46
2．6　評估模型：代碼 46
2．7　從零開始構建神經網絡 49
2．7．1　步驟1：一系列線性回歸 49
2．7．2　步驟2：一個非線性函數(shù) 50
2．7．3　步驟3：另一個線性回歸 50
2．7．4　示意圖 51
2．7．5　代碼 52
2．7．6　神經網絡：后向傳遞 53
2．8　訓練和評估第一個神經網絡 55
2．9　小結 57
第3章　從零開始深度學習 58
3．1　定義深度學習 58
3．2　神經網絡的構成要素：運算 59
3．2．1　示意圖 60
3．2．2　代碼 61
3．3 神經網絡的構成要素：層 62
3．4　在構成要素之上構建新的要素 64
3．4．1　層的藍圖 66
3．4．2　稠密層 68
3．5　NeuralNetwork類和其他類 69
3．5．1　示意圖 70
3．5．2　代碼 70
3．5．3　Loss類 71
3．6　從零開始構建深度學習模型 72
3．6．1　實現(xiàn)批量訓練 73
3．6．2　NeuralNetwork：代碼 73
3．7　優(yōu)化器和訓練器 75
3．7．1　優(yōu)化器 76
3．7．2　訓練器 77
3．8　整合 79
3．9　小結與展望 80
第4章　擴展 81
4．1　關于神經網絡的一些直覺 82
4．2　softmax交叉熵損失函數(shù) 84
4．2．1　組件1：softmax函數(shù) 84
4．2．2　組件2：交叉熵損失 85
4．2．3　關于激活函數(shù)的注意事項 87
4．3　實驗 90
4．3．1　數(shù)據(jù)預處理 90
4．3．2　模型 91
4．3．3　實驗：softmax交叉熵損失函數(shù) 92
4．4　動量 92
4．4．1　理解動量 93
4．4．2　在Optimizer類中實現(xiàn)動量 93
4．4．3　實驗：帶有動量的隨機梯度下降 94
4．5　學習率衰減 95
4．5．1　學習率衰減的類型 95
4．5．2　實驗：學習率衰減 97
4．6　權重初始化 97
4．6．1　數(shù)學和代碼 99
4．6．2　實驗：權重初始化 100
4．7　dropout 100
4．7．1　定義 100
4．7．2　實現(xiàn) 101
4．7．3　實驗：dropout 102
4．8　小結 104
第5章　CNN 105
5．1　神經網絡與表征學習 105
5．1．1　針對圖像數(shù)據(jù)的不同架構 106
5．1．2　卷積運算 107
5．1．3　多通道卷積運算 108
5．2　卷積層 109
5．2．1　實現(xiàn)意義 110
5．2．2　卷積層與全連接層的區(qū)別 111
5．2．3　利用卷積層進行預測：Flatten層 111
5．2．4　池化層 112
5．3　實現(xiàn)多通道卷積運算 114
5．3．1　前向傳遞 114
5．3．2　后向傳遞 117
5．3．3　批處理 120
5．3．4　二維卷積 121
5．3．5　最后一個元素：通道 123
5．4　使用多通道卷積運算訓練CNN 126
5．4．1　Flatten運算 126
5．4．2　完整的Conv2D層 127
5．4．3　實驗 128
5．5　小結 129
第6章　RNN 130
6．1　關鍵限制：處理分支 131
6．2　自動微分 132
6．3　RNN的動機 137
6．4　RNN簡介 138
6．4．1　RNN的第一個類：RNNLayer 139
6．4．2　RNN的第二個類：RNNNode 140
6．4．3　整合RNNNode類和RNNLayer類 140
6．4．4　后向傳遞 142
6．5　RNN：代碼 143
6．5．1　RNNLayer類 144
6．5．2　RNNNode類的基本元素 147
6．5．3　vanilla RNNNode類 148
6．5．4　vanilla RNNNode類的局限性 150
6．5．5　GRUNode類 151
6．5．6　LSTMNode類 154
6．5．7　基于字符級RNN語言模型的數(shù)據(jù)表示 156
6．5．8　其他語言建模任務 157
6．5．9　組合RNNLayer類的變體 158
6．5．10　將全部內容整合在一起 158
6．6　小結 159
第7章　PyTorch 160
7．1　PyTorch Tensor 160
7．2　使用PyTorch進行深度學習 161
7．2．1　PyTorch元素：Model類及其Layer類 162
7．2．2　使用PyTorch實現(xiàn)神經網絡基本要素：DenseLayer類 163
7．2．3　示例：基于PyTorch的波士頓房價模型 164
7．2．4　PyTorch元素：Optimizer類和Loss類 165
7．2．5　PyTorch元素：Trainer類 165
7．2．6　PyTorch優(yōu)化學習技術 168
7．3　PyTorch中的CNN 168
7．4　PyTorch中的LSTM 173
7．5　后記：通過自編碼器進行無監(jiān)督學習 175
7．5．1　表征學習 175
7．5．2　應對無標簽場景的方法 176
7．5．3　在PyTorch中實現(xiàn)自編碼器 176
7．5．4　更強大的無監(jiān)督學習測試及解決方案 181
7．6　小結 182
附錄　深入探討 183
關于作者 192
關于封面 192