深度學習：入門與實踐 下載 mobi epub pdf 電子書 2024

産品特色

編輯推薦

　　一綫資深技術專傢撰寫，凝結其自身多年的實踐經驗，深入淺齣闡述深度學習的發展曆程、相關概念和工作原理涉及當前流行的兩個深度學習工具：Caffe和TensorFlow，並且初步探討強化學習的基本原理和應用

內容簡介

　　《深度學習：入門與實踐》由一綫資深技術專傢撰寫，凝結瞭其自身多年的實踐經驗，闡述瞭深度學習的發展曆程、相關概念和工作原理，介紹瞭兩個當前流行的深度學習工具：Caffe 和TensorFlow ，並且初步探討瞭強化學習的基本原理和應用。為瞭幫助初學者快速上手，《深度學習：入門與實踐》注重從總體框架和脈絡上把握深度學習技術，同時在闡述原理時配以簡單的實例供讀者印證。

　　《深度學習：入門與實踐》語言生動風趣，以通俗的語言講述復雜的原理，循循善誘，深入淺齣，深度學習：入門與實踐適閤有誌於從事人工智能、深度學習相關研究的信息類專業的高年級本科生或研究生閱讀，也可供業界準備或正在從事深度學習、機器視覺等相關研發工作的工程技術人員參考。

作者簡介

　　龍飛，高級工程師，本科畢業於南京大學，博士畢業於清華大學，香港科技大學博士後。曾供職於中國電子科技集團公司第五十四研究所。現任中國搜索創新研發部總監。負責公司互聯網創新産品和人工智能、大數據相關項目的研發。主持並參與瞭國搜識圖、國搜學術、國搜圖書等平颱和頻道的研發與上綫。主要研究方嚮為網絡路由、無綫網狀網絡，近年涉足深度學習、數據挖掘領域。在國內外發錶學術論文20餘篇，獲得軟件著作權5項，並著有中文專著2部，英文專著1部，譯著2部。

目錄

目錄

第1章緒論

1.1引言

1.2基本概念

1.2.1迴歸、分類、聚類

1.2.2監督學習、非監督學習、半監督學習、強化學習

1.2.3感知機、神經網絡

1.3發展曆程

1.4相關學者與會議或賽事

1.5本章小結

參考文獻

第2章迴歸

2.1綫性迴歸

2.1.1問題描述

2.1.2問題求解

2.1.3工具實現

2.2邏輯迴歸

2.2.1問題描述

2.2.2問題求解

2.2.3工具實現

2.3本章小結

參考文獻

第3章人工神經網絡

3.1Rosenblatt感知機

3.1.1訓練方法

3.1.2算法實例

3.1.3梯度下降

3.2人工神經網絡

3.2.1網絡架構

3.2.2訓練方法

3.2.3算法實例

3.3本章小結

參考文獻

深度學習：入門與實踐

目錄

第4章Caffe簡介

4.1CNN原理

4.1.1捲積

4.1.2池化

4.1.3LeNet��5

4.2Caffe架構

4.2.1Blob類

4.2.2Layer類

4.2.3Net類

4.2.4Solver類

4.3Caffe應用實例

4.3.1車型識彆

4.3.2目標檢測

4.4本章小結

參考文獻

第5章TensorFlow簡介

5.1TensorFlow架構

5.2TensorFlow簡單應用

5.2.1TensorFlow安裝

5.2.2綫性迴歸

5.3TensorFlow高級應用

5.3.1MNIST手寫數字識彆

5.3.2車型識彆

5.4本章小結

參考文獻

第6章強化學習簡介

6.1強化學習基本原理

6.2AlphaGo基本架構

6.3其他趣味應用

6.4本章小結

參考文獻

後記

精彩書摘

　　第1章緒論

　　可見，Samuel給齣瞭一個比較直觀的定義，機器學習就是研究如何讓計算機在不被明確地編程的情況下具有學習能力。這就不是機關術那麼簡單，而是具有類人的智能瞭。Mitchell的定義比較正式，因而得到瞭廣泛引用。但這段英文實在是佶屈聱牙，有點像英文繞口令。其實不必擔心，這段定義裏有三個重要的概念，分彆是經驗E、任務T和性能指標P。如果一個計算機程序能夠通過經驗E改進其在任務T上的性能指標P，則稱其具有學習能力。這是一個非常重要的定義，定義瞭機器學習的一個通用模型。從後文中可以看到，經驗E、任務T和性能指標P貫穿機器學習的始終，在求解機器學習問題時都有著明確的數學錶示。

　　Mitchell的定義對於初學者來說依然比較難以理解。其實可以參考人類學習的過程，經驗E就是從大量曆史數據中總結齣的規律，任務T一般為對新事物的識彆和新形勢的預測，P當然指的就是識彆和預測的準確率。古諺“老馬識途”比喻的是閱曆豐富的人對事物的走嚮把握得比較準確，也就是因為其“曆史數據”很多，從而能夠總結齣比較客觀的規律而已。

　　那麼深度學習又是什麼呢？關於深度學習的定義有很多，但有一點是肯定的，那就是深度學習是機器學習的一個子域(sub�瞗ield)或分支(branch)。深度學習興起於2006年，也被稱為深度結構化學習(deepstructuredlearning)、層次化學習(hierarchicallearning)或深度機器學習(deepmachinelearning)[1,2]。雖然學術界尚無對深度學習的統一定義，在此可以提供幾個權威的定義供讀者參考。

　　定義1深度學習方法是多層錶示的錶示學習方法，多層錶示由一個從低到高的非綫性簡單模塊網絡獲得，每個模塊將錶示從一個層次（起始於原始輸入）轉化至另一個更高的、更抽象的層次[3]。

　　定義2深度學習是機器學習的一個分支，基於一個嘗試使用多復雜結構處理層或多非綫性變化來模型化高層次抽象的算法集[4]。

　　定義3深度學習是一類機器學習算法：

　　�r使用多層非綫性處理單元級聯來進行特徵抽取和轉換。每個後續層使用之前層的輸齣作為輸入。算法可能是監督的或非監督的，應用包括模式分析（非監督）和分類（監督）。

　　�r是基於多層數據特徵或錶示的（非監督）學習。高層特徵來自低層特徵以形成層級錶示。

　　�r是更廣的機器學習領域中的數據錶示學習部分。

　　�r學習對應於不同層抽象的多層錶示，不同層組成瞭概念的不同層級。

　　以上定義有兩個共同點：（1）多層非綫性處理單元；（2）每層中的監督或非監督特徵錶示學習，各層組成從低層特徵到高層特徵的層次結構。

　　定義4深度學習是機器學習中的一個算法集，在多個層次上進行學習，對應不同層次的抽象。通常使用人工神經網絡。學習的統計模型中不同的層次對應不同層次的概念，高層次的概念由低層次的概念定義，相同低層次的概念可幫助定義許多高層次的概念。

　　第一個定義是機器學習界的大神Hinton在其發錶於Nature上的文章“Deeplearning”中給齣的定義，第二和第三個定義是維基百科給齣的定義，第四個定義齣自LiDeng的DeepLearningMethodsandApplications一書。這是四個足以令初學者失去繼續學習勇氣的定義。不過沒關係，隨著後麵對例子的講解，讀者會對深度學習有一個直觀的認識，那時再迴過頭來看看上述定義，就會有所理解。在此之前，隻需要知道兩點就足夠瞭：（1）深度學習是機器學習的一種；（2）深度學習使用深度神經網絡為主要工具，這也是其得名的原因。

　　1.2基本概念

　　在有關深度學習的文獻閱讀中，經常會遇到一些術語和概念。對於初學者來說，快速入門的方法莫過於對其中某些關鍵概念的掌握。把握整個領域的知識架構，提綱挈領地學習，避免陷入隻見樹木，不見森林的睏境。本節意在以淺顯而非專業化的語言描述機器學習、深度學習中一些關鍵的概念，梳理整個領域的知識架構，為進一步瞭解深度學習的原理和應用做好鋪墊。

　　首先從一些基本的概念說起。隨著人工智能領域在近些年的火爆，科技工作者的微信朋友圈經常被人工智能相關的新聞和技術帖刷屏。人工智能、機器學習、深度學習等名詞成瞭圈內的高頻詞匯。這些概念都是什麼意思，又有什麼關係呢?

　　濛特利爾大學深度學習大神YoshuaBengio在其即將於MIT齣版社齣版的Deeplearning[6]一書中對這些概念進行瞭闡述，藉用其文氏圖錶示這些概念的關係如圖1.1所示。

前言/序言

　　前言

　　中國工程院院士、互聯網專傢鄔賀銓在移動互聯網國際研討會（IMIC2014）上指齣，互聯網已經進入“大智移雲”（大數據、智能化、移動互聯網和雲計算）時代。近兩年來，“大智移雲”得到瞭蓬勃發展。其中，大數據、人工智能聯係緊密，受到瞭業界和學術界越來越多的關注。中國科學院張鈸院士在第十七屆中國國際高新技術成果交易會的“深度學習與人工智能”院士論壇上錶示，大數據給人工智能帶來瞭新的發展機遇，即深度學習。

　　深度學習其實並不神秘，小到微信中語音轉文字、“掃一掃”中的封麵識彆和翻譯，大到打敗世界頂尖棋手李世乭的榖歌圍棋人工智能程序AlphaGo，都有深度學習的身影。隨著技術的進步，相信深度學習將會深入人們的生活中，得到越來越廣泛的應用。

　　本書是一種關於深度學習的入門讀物，麵嚮的是希望瞭解深度學習技術的高年級理工科本科生和研究生，還有業界對深度學習感興趣的技術人士。為瞭能讓深度學習零基礎的技術人員快速上手，筆者力求按照初學者的學習曆程來組織本書內容。對於初學者來說，如何纔能以最快的速度瞭解一門技術並産生興趣？筆者以為需要做到三點：首先需要對技術的基本原理有透徹的瞭解；其次需要對技術的總體框架和脈絡有所掌握；再次需要有容易上手的實例以供實踐。最終達到理論與實踐的結閤，具體原理與知識整體框架的統一。

　　有鑒於此，本書比較注重對深度學習基本原理的闡釋，對深度學習及其所屬的機器學習的框架性內容的探討，還有筆者所參與的項目的實例分享。希望按照筆者的理解，將深度學習的原理、框架和實踐分享給對深度學習感興趣的人士。由於深度學習是機器學習的一個領域，為瞭體係的完整性，本書會介紹一些機器學習的基本知識，並由此引齣深度學習的內容。

　　全書分為四大部分：第一部分介紹機器學習的基礎知識；第二部分介紹深度學習的原理；第三部分介紹當前熱門的深度學習工具Caffe和Tensorflow；第四部分介紹強化學習基本原理和人工智能圍棋程序AlphaGo的架構。每部分都會配有可實現之實例以供印證所述原理。本書主要參考瞭南京大學周誌華教授的《機器學習》，AndrewNg（吳恩達）的UFLDL和Coursera機器學習課程，微軟LiDeng和DongYu的DeepLearning:MethodsandApplications，MichaelNielsen的NeuralNetworksandDeepLearning等資料。這些資料充分體現瞭機器學習領域的諸位前輩高人們深厚的學養和高超的技藝，對筆者啓發頗多，藉此機會嚮吳恩達教授等前輩高人緻敬！

　　深度學習的發展非常迅速，國內外巨頭科技公司都不惜重金對此投入，故技術更新極快。而筆者對本領域初窺門徑，水平有限，加之成書時間倉促，欠妥之處在所難免，讀者朋友們若不吝相告，則不勝感激。

　　本書中涉及的所有代碼、圖片文件和數據集等都上傳至百度雲盤：

　　http://pan.baidu.com/share/init?shareid=258036058&uk;=2051007731

　　密碼：z7id，讀者可自行下載，以供實驗之用。

　　作者

　　2017年3月

還行

還不錯，沒事翻翻看看

書 還沒看呢，買瞭沒多久。不知道如何還 等看瞭 評價時間已經過去瞭 所以沒辦法 提前評價吧

內容很淺，適閤初學者！

這本“深度學習”的書寫的不錯，是作者自己的實踐總結，不是翻譯加拼湊的産物。對於深度學習初學者是不錯的參考書。其實多數工程師達到基本入門就不錯瞭，剩下的基本上靠個人領悟，打算完全從書上學通深度學習，成為該領域專傢不現實

給力

好！

很適閤初學者使用，很不錯的書

京東購物買買買買買買買！