📕书籍信息
- 书名：深度学习入门
- 作者：[日］斋藤康毅
- 豆瓣评分：⭐9.5
- 出版社：人民邮电出版社
- isbn：9787115485588
- 出版日期：2018-7
- 价格：59.00元
- 豆瓣：深度学习入门
🌵内容简介
【编辑推荐】：
本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。
📣听过的人说…
- 👽: 我是在研究室看的日文版。这本书实现的神经网络全是用numpy。超级适合刚刚入门想了解神经网络，数学不好看公式看不懂的人，看完这本基本就懂深度学习是弄啥子了。如果连这本都看不懂的话，可以去看《Python神经网络编程》。我个人认为这两本书是最简单直白的方式让人理解神经网络的了。
- 🌞: 科普完成，不太复杂的代码也能达到很高的手写数字识别率，还是挺神奇的。
- 👻: 对于深度学习入门而言，这是我推荐的第一本书，随便翻过不下10本类似书籍，应该说这本从各方面而言都是最佳的。
虽然这本书没有任何现有框架的介绍，比如sklearn，tensorflow，keras等，但是对于像从头了解深度学习（特别是神经网络）而言，非常好。
在这本书的基础上，再去找个比如sklearn的框架按照例子跑跑，就差不多了。
🧐讀書筆記 –
之所以读这本书，是因为今年给自己定下来的目标：技术视角广度的延伸之一是机器学习命题。为什么定这个目标呢，直接源于两个主要的影响。
– 早几个月逛一亩三分地，看到地里讨论的目前硅谷程序员的技术栈，后端（Server Side）基本是标配ML（机器学习/深度学习）的
– 在推上关注的一个独立开发者（ServerCat的作者），本职是个iOS客户端开发，却成功通过在产品中集成机器学习的能力，做出了非常优秀的作品：熊猫吃短信-基于文本特征的垃圾短信过滤 & DAMA-基于深度学习自动打码图片敏感信息
这两点给我带来…
📑书籍章节
- 译者序 xiii
- 前言 xv
- 第1章 Python入门 1
- 1.1 Python是什么 1
- 1.2 Python的安装 2
- 1.2.1 Python版本 2
- 1.2.2 使用的外部库 2
- 1.2.3 Anaconda发行版 3
- 1.3 Python解释器 4
- 1.3.1 算术计算 4
- 1.3.2 数据类型 5
- 1.3.3 变量 5
- 1.3.4 列表 6
- 1.3.5 字典 7
- 1.3.6 布尔型 7
- 1.3.7 if 语句 8
- 1.3.8 for 语句 8
- 1.3.9 函数 9
- 1.4 Python脚本文件 9
- 1.4.1 保存为文件 9
- 1.4.2 类 10
- 1.5 NumPy 11
- 1.5.1 导入NumPy 11
- 1.5.2 生成NumPy数组 12
- 1.5.3 NumPy 的算术运算 12
- 1.5.4 NumPy的N维数组 13
- 1.5.5 广播 14
- 1.5.6 访问元素 15
- 1.6 Matplotlib 16
- 1.6.1 绘制简单图形 16
- 1.6.2 pyplot 的功能 17
- 1.6.3 显示图像 18
- 1.7 小结 19
- 第2章 感知机 21
- 2.1 感知机是什么 21
- 2.2 简单逻辑电路 23
- 2.2.1 与门 23
- 2.2.2 与非门和或门 23
- 2.3 感知机的实现 25
- 2.3.1 简单的实现 25
- 2.3.2 导入权重和偏置 26
- 2.3.3 使用权重和偏置的实现 26
- 2.4 感知机的局限性 28
- 2.4.1 异或门 28
- 2.4.2 线性和非线性 30
- 2.5 多层感知机 31
- 2.5.1 已有门电路的组合 31
- 2.5.2 异或门的实现 33
- 2.6 从与非门到计算机 35
- 2.7 小结 36
- 第3章 神经网络 37
- 3.1 从感知机到神经网络 37
- 3.1.1 神经网络的例子 37
- 3.1.2 复习感知机 38
- 3.1.3 激活函数登场 40
- 3.2 激活函数 42
- 3.2.1 sigmoid 函数 42
- 3.2.2 阶跃函数的实现 43
- 3.2.3 阶跃函数的图形 44
- 3.2.4 sigmoid 函数的实现 45
- 3.2.5 sigmoid 函数和阶跃函数的比较 46
- 3.2.6 非线性函数 48
- 3.2.7 ReLU函数 49
- 3.3 多维数组的运算 50
- 3.3.1 多维数组 50
- 3.3.2 矩阵乘法 51
- 3.3.3 神经网络的内积 55
- 3.4 3 层神经网络的实现 56
- 3.4.1 符号确认 57
- 3.4.2 各层间信号传递的实现 58
- 3.4.3 代码实现小结 62
- 3.5 输出层的设计 63
- 3.5.1 恒等函数和softmax 函数 64
- 3.5.2 实现softmax 函数时的注意事项 66
- 3.5.3 softmax 函数的特征 67
- 3.5.4 输出层的神经元数量 68
- 3.6 手写数字识别 69
- 3.6.1 MNIST数据集 70
- 3.6.2 神经网络的推理处理 73
- 3.6.3 批处理 75
- 3.7 小结 79
- 第4章 神经网络的学习 81
- 4.1 从数据中学习 81
- 4.1.1 数据驱动 82
- 4.1.2 训练数据和测试数据 84
- 4.2 损失函数 85
- 4.2.1 均方误差 85
- 4.2.2 交叉熵误差 87
- 4.2.3 mini-batch 学习 88
- 4.2.4 mini-batch 版交叉熵误差的实现 91
- 4.2.5 为何要设定损失函数 92
- 4.3 数值微分 94
- 4.3.1 导数 94
- 4.3.2 数值微分的例子 96
- 4.3.3 偏导数 98
- 4.4 梯度 100
- 4.4.1 梯度法 102
- 4.4.2 神经网络的梯度 106
- 4.5 学习算法的实现 109
- 4.5.1 2 层神经网络的类 110
- 4.5.2 mini-batch 的实现 114
- 4.5.3 基于测试数据的评价 116
- 4.6 小结 118
- 第5章 误差反向传播法 121
- 5.1 计算图 121
- 5.1.1 用计算图求解 122
- 5.1.2 局部计算 124
- 5.1.3 为何用计算图解题 125
- 5.2 链式法则 126
- 5.2.1 计算图的反向传播 127
- 5.2.2 什么是链式法则 127
- 5.2.3 链式法则和计算图 129
- 5.3 反向传播 130
- 5.3.1 加法节点的反向传播 130
- 5.3.2 乘法节点的反向传播 132
- 5.3.3 苹果的例子 133
- 5.4 简单层的实现 135
- 5.4.1 乘法层的实现 135
- 5.4.2 加法层的实现 137
- 5.5 激活函数层的实现 139
- 5.5.1 ReLU层 139
- 5.5.2 Sigmoid 层 141
- 5.6 AffineSoftmax层的实现 144
- 5.6.1 Affine层 144
- 5.6.2 批版本的Affine层 148
- 5.6.3 Softmax-with-Loss 层 150
- 5.7 误差反向传播法的实现 154
- 5.7.1 神经网络学习的全貌图 154
- 5.7.2 对应误差反向传播法的神经网络的实现 155
- 5.7.3 误差反向传播法的梯度确认 158
- 5.7.4 使用误差反向传播法的学习 159
- 5.8 小结 161
- 第6章 与学习相关的技巧 163
- 6.1 参数的更新 163
- 6.1.1 探险家的故事 164
- 6.1.2 SGD 164
- 6.1.3 SGD的缺点 166
- 6.1.4 Momentum 168
- 6.1.5 AdaGrad 170
- 6.1.6 Adam 172
- 6.1.7 使用哪种更新方法呢 174
- 6.1.8 基于MNIST数据集的更新方法的比较 175
- 6.2 权重的初始值 176
- 6.2.1 可以将权重初始值设为0 吗 176
- 6.2.2 隐藏层的激活值的分布 177
- 6.2.3 ReLU的权重初始值 181
- 6.2.4 基于MNIST数据集的权重初始值的比较 183
- 6.3 Batch Normalization 184
- 6.3.1 Batch Normalization 的算法 184
- 6.3.2 Batch Normalization 的评估 186
- 6.4 正则化 188
- 6.4.1 过拟合 189
- 6.4.2 权值衰减 191
- 6.4.3 Dropout 192
- 6.5 超参数的验证 195
- 6.5.1 验证数据 195
- 6.5.2 超参数的最优化 196
- 6.5.3 超参数最优化的实现 198
- 6.6 小结 200
- 第7章 卷积神经网络 201
- 7.1 整体结构 201
- 7.2 卷积层 202
- 7.2.1 全连接层存在的问题 203
- 7.2.2 卷积运算 203
- 7.2.3 填充 206
- 7.2.4 步幅 207
- 7.2.5 3 维数据的卷积运算 209
- 7.2.6 结合方块思考 211
- 7.2.7 批处理 213
- 7.3 池化层 214
- 7.4 卷积层和池化层的实现 216
- 7.4.1 4 维数组 216
- 7.4.2 基于im2col 的展开 217
- 7.4.3 卷积层的实现 219
- 7.4.4 池化层的实现 222
- 7.5 CNN的实现 224
- 7.6 CNN的可视化 228
- 7.6.1 第1 层权重的可视化 228
- 7.6.2 基于分层结构的信息提取 230
- 7.7 具有代表性的CNN 231
- 7.7.1 LeNet 231
- 7.7.2 AlexNet 232
- 7.8 小结 233
- 第8章 深度学习 235
- 8.1 加深网络 235
- 8.1.1 向更深的网络出发 235
- 8.1.2 进一步提高识别精度 238
- 8.1.3 加深层的动机 240
- 8.2 深度学习的小历史 242
- 8.2.1 ImageNet 243
- 8.2.2 VGG 244
- 8.2.3 GoogLeNet 245
- 8.2.4 ResNet 246
- 8.3 深度学习的高速化 248
- 8.3.1 需要努力解决的问题 248
- 8.3.2 基于GPU的高速化 249
- 8.3.3 分布式学习 250
- 8.3.4 运算精度的位数缩减 252
- 8.4 深度学习的应用案例 253
- 8.4.1 物体检测 253
- 8.4.2 图像分割 255
- 8.4.3 图像标题的生成 256
- 8.5 深度学习的未来 258
- 8.5.1 图像风格变换 258
- 8.5.2 图像的生成 259
- 8.5.3 自动驾驶 261
- 8.5.4 Deep Q-Network（强化学习） 262
- 8.6 小结 264
- 附录A Softmax-with-Loss 层的计算图 267
- A.1 正向传播 268
- A.2 反向传播 270
- A.3 小结 277
- 参考文献 279
声明：本站所有资源、素材等全部来源于互联网，仅供听友试听、学习、交流 版权归原版权人所有
赞助VIP仅用于对IT资源服务器带宽等费用支出做支持，从本站下载资源，说明你已同意本条款。如若本站内容侵犯了原著者的合法权益，请来信告知，我们将(3日内）予以删除
评论(0)