0人評分過此書

深度学习实战

出版日期
2018/01/01
閱讀格式
EPUB
書籍分類
學科分類
ISBN
9787302491026

本館館藏

借閱規則
當前可使用人數 30
借閱天數 14
線上看 0
借閱中 0
選擇分享方式

推薦本館採購書籍

您可以將喜歡的電子書推薦給圖書館,圖書館會參考讀者意見進行採購

讀者資料
圖書館
* 姓名
* 身分
系所
* E-mail
※ 我們會寄送一份副本至您填寫的Email中
電話
※ 電話格式為 區碼+電話號碼(ex. 0229235151)/ 手機格式為 0900111111
* 請輸入驗證碼
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。
  • 封面页
  • 书名页
  • 版权页
  • 内容简介
  • 前 言
  • 目录
  • 第1章 深度学习的发展介绍
    • 1.1 如何阅读本书
    • 1.2 深度学习沉浮史
      • 1.2.1 模拟生物大脑的疯狂远古时代
      • 1.2.2 联结主义近代
      • 1.2.3 百花齐放,层次结构主导,模型巨大的当代
    • 1.3 Python简易教程
      • 1.3.1 Anaconda搭建
      • 1.3.2 IPython Notebook使用
      • 1.3.3 Python基本用法
      • 1.3.4 NumPy
      • 1.3.5 Matplotlib
    • 1.4 参考文献
  • 第2章 机器学习快速入门
    • 2.1 学习算法
      • 2.1.1 学习任务
      • 2.1.2 性能度量
      • 2.1.3 学习经验
    • 2.2 代价函数
      • 2.2.1 均方误差函数
      • 2.2.2 极大似然估计
    • 2.3 梯度下降法
      • 2.3.1 批量梯度下降法
      • 2.3.2 随机梯度下降法
    • 2.4 过拟合与欠拟合
      • 2.4.1 没免费午餐理论
      • 2.4.2 正则化
    • 2.5 超参数与验证集
    • 2.6 Softmax编码实战
      • 2.6.1 编码说明
      • 2.6.2 熟练使用CIFAR-10 数据集
      • 2.6.3 显式循环计算损失函数及其梯度
      • 2.6.4 向量化表达式计算损失函数及其梯度
      • 2.6.5 最小批量梯度下降算法训练Softmax分类器
      • 2.6.6 使用验证数据选择超参数
    • 2.7 参考代码
    • 2.8 参考文献
  • 第3章 前馈神经网络
    • 3.1 神经元
      • 3.1.1 Sigmoid神经元
      • 3.1.2 Tanh神经元
      • 3.1.3 ReLU神经元
    • 3.2 前馈神经网络
      • 3.2.1 输出层单元
      • 3.2.2 隐藏层单元
      • 3.2.3 网络结构设计
    • 3.3 BP算法
    • 3.4 深度学习编码实战上
      • 3.4.1 实现仿射传播
      • 3.4.2 实现ReLU传播
      • 3.4.3 组合单层神经元
      • 3.4.4 实现浅层神经网络
      • 3.4.5 实现深层全连接网络
    • 3.5 参考代码
    • 3.6 参考文献
  • 第4章 深度学习正则化
    • 4.1 参数范数惩罚
      • 4.1.1 L2参数正则化
      • 4.1.2 L1正则化
    • 4.2 参数绑定与参数共享
    • 4.3 噪声注入与数据扩充
    • 4.4 稀疏表征
    • 4.5 早停
    • 4.6 Dropout
      • 4.6.1 个体与集成
      • 4.6.2 Dropout
    • 4.7 深度学习编码实战中
      • 4.7.1 Dropout传播
      • 4.7.2 组合Dropout传播层
      • 4.7.3 Dropout神经网络
      • 4.7.4 解耦训练器trainer
      • 4.7.5 解耦更新器updater
      • 4.7.6 正则化实验
    • 4.8 参考代码
    • 4.9 参考文献
  • 第5章 深度学习优化
    • 5.1 神经网络优化困难
      • 5.1.1 局部最优
      • 5.1.2 鞍点
      • 5.1.3 梯度悬崖
      • 5.1.4 梯度消失或梯度爆炸
      • 5.1.5 梯度不精确
      • 5.1.6 优化理论的局限性
    • 5.2 随机梯度下降
    • 5.3 动量学习法
    • 5.4 AdaGrad和RMSProp
    • 5.5 Adam
    • 5.6 参数初始化策略
    • 5.7 批量归一化
      • 5.7.1 BN算法详解
      • 5.7.2 BN传播详解
    • 5.8 深度学习编码实战下
      • 5.8.1 Momentum
      • 5.8.2 RMSProp
      • 5.8.3 Adam
      • 5.8.4 更新规则比较
      • 5.8.5 BN前向传播
      • 5.8.6 BN反向传播
      • 5.8.7 使用BN的全连接网络
      • 5.8.8 BN算法与权重标准差比较
    • 5.9 参考代码
    • 5.10 参考文献
  • 第6章 卷积神经网络
    • 6.1 卷积操作
    • 6.2 卷积的意义
      • 6.2.1 稀疏连接
      • 6.2.2 参数共享
    • 6.3 池化操作
    • 6.4 设计卷积神经网络
      • 6.4.1 跨步卷积
      • 6.4.2 零填充
      • 6.4.3 非共享卷积
      • 6.4.4 平铺卷积
    • 6.5 卷积网络编码练习
      • 6.5.1 卷积前向传播
      • 6.5.2 卷积反向传播
      • 6.5.3 最大池化前向传播
      • 6.5.4 最大池化反向传播
      • 6.5.5 向量化执行
      • 6.5.6 组合完整卷积层
      • 6.5.7 浅层卷积网络
      • 6.5.8 空间批量归一化
    • 6.6 参考代码
    • 6.7 参考文献
  • 第7章 循环神经网络
    • 7.1 循环神经网络
      • 7.1.1 循环神经元展开
      • 7.1.2 循环网络训练
    • 7.2 循环神经网络设计
      • 7.2.1 双向循环网络结构
      • 7.2.2 编码-解码网络结构
      • 7.2.3 深度循环网络结构
    • 7.3 门控循环神经网络
      • 7.3.1 LSTM
      • 7.3.2 门控循环单元
    • 7.4 RNN编程练习
      • 7.4.1 RNN单步传播
      • 7.4.2 RNN时序传播
      • 7.4.3 词嵌入
      • 7.4.4 RNN输出层
      • 7.4.5 时序Softmax损失
      • 7.4.6 RNN图片说明任务
    • 7.5 LSTM编程练习
      • 7.5.1 LSTM单步传播
      • 7.5.2 LSTM时序传播
      • 7.5.3 LSTM实现图片说明任务
    • 7.6 参考代码
      • 7.6.1 RNN参考代码
      • 7.6.2 LSTM参考代码
    • 7.7 参考文献
  • 第8章 TensorFlow快速入门
    • 8.1 TensorFlow介绍
    • 8.2 TensorFlow 1.0安装指南
      • 8.2.1 双版本切换Anaconda
      • 8.2.2 安装CUDA 8.0
      • 8.2.3 安装cuDNN
      • 8.2.4 安装TensorFlow
      • 8.2.5 验证安装
    • 8.3 TensorFlow基础
      • 8.3.1 Tensor
      • 8.3.2 TensorFlow核心API教程
      • 8.3.3 tf.train API
      • 8.3.4 tf.contrib.learn
    • 8.4 TensorFlow构造CNN
      • 8.4.1 构建Softmax模型
      • 8.4.2 使用TensorFlow训练模型
      • 8.4.3 使用TensorFlow评估模型
      • 8.4.4 使用TensorFlow构建卷积神经网络
    • 8.5 TensorBoard快速入门
      • 8.5.1 TensorBoard可视化学习
      • 8.5.2 计算图可视化
  • 彩插
  • 出版地 中國大陸
  • 語言 簡體中文

評分與評論

請登入後再留言與評分
幫助
您好,請問需要甚麼幫助呢?
使用指南

客服專線:0800-000-747

服務時間:週一至週五 AM 09:00~PM 06:00

loading