深度学习算法实践（基于Theano和TensorFlow） 下载 mobi epub pdf 电子书 2024

产品特色

编辑推荐

1.中国工程院院士陈志杰倾情作序，业内专家黄文涛、陈晓禾联袂力荐。
2.以深度学习算法入门为主要内容，以NumPy、SciPy等科学计算库，深度学习主流算法，深度学习前沿研究，深度学习服务云平台构建四大主线进行介绍。
3.详细讲解了算法背后的数学原理，给出了基于TensorFlow和Theano的算法实现技术。
4.以MNIST手写数字识别为例，应用所介绍的技术，这是一本兼顾理论与实践的深度学习自学参考书。

内容简介

本书以深度学习算法入门为主要内容，通过系统介绍Python、NumPy、SciPy等科学计算库，深度学习主流算法，深度学习前沿研究，深度学习服务云平台构建四大主线，向读者系统地介绍了深度学习的主要内容和研究进展。本书介绍了Python、NumPy、SciPy的使用技巧，面向谷歌推出的开源深度学习框架TensorFlow，向读者展示了利用TensorFlow和Theano框架实现线性回归、逻辑回归、多层感知器、卷积神经网络、递归神经网络、长短时记忆网络、去噪自动编码机、堆叠自动编码机、受限玻尔兹曼机、深度信念网络等，并将这些技术用于MNIST手写数字识别任务。本书不仅讲述了深度学习算法本身，而且重点讲述了如何将这些深度学习算法包装成Web服务。本书旨在帮助广大工程技术人员快速掌握深度学习相关理论和实践，并将这些知识应用到实际工作中。

作者简介

闫涛，网名“*老程序员”。中科院苏州生物医学工程技术研究所副研究员（兼），科技部重点专项：帕金森症早期预防、“十三五”出生缺陷预防系统研究课题组成员，专注于深度学习在医学影像学诊断、医学图像分割、医学图像诊断性标注等应用方向的技术开发。CSDN博客重度使用者，博客地址http://blog.csdn.net/yt7589。北京动维康科技有限公司联合创始人、首席技术官，主持开发了移动医疗系统随诊医生。专注于移动互联网软件开发20年，精通主流开发技术，尤其擅长处理大容量、高并发系统的设计与实现。开源软件倡导者，本书部分代码的GitHub网址为https://github.com/yt7589/dlp/tree/master/book。

精彩书评

当前关于深度学习的书籍有很多。一方面，有一部分书籍介绍流行算法和网络架构的实现，基于开源深度学习框架（如TensorFlow），结合常用数据集（如MNIST、ImageNet），实现图像识别等典型应用，读者可以很容易地做出一个演示系统，但是对于算法实现原理和调参思路却很难有深刻的理解，很难将书中所说应用到实践中去。另一方面，有一部分书籍侧重于算法原理的讲解，对数学公式推导和定理证明非常重视，但是对具体算法实现介绍得很少，使读者对理论似懂非懂，对算法的具体实现感到无从下手。本书以普通本科生都能看懂的数学原理，深入浅出地讲解了常用算法，同时基于常用的深度学习框架Theano和TensorFlow对这些算法的实现方法进行了详细的讲解，使读者不仅可以掌握算法的数学原理，还可以掌握基于Theano及TensorFlow的实现技术，从数学原理上掌握调参方法的思路和原理，为读者将书中所学知识应用到自己的项目实践打下了坚实的基础，是一本很好的深度学习自学参考书。

—— 黄文涛
中国电子科技集团创新院人工智能研究室首席科学家
西安电子科技大学人工智能学院客座教授
约翰霍普金斯大学医学院研究员、博士后


　　当前深度学习在各行各业的应用越来越广，因此越来越多的岗位要求深度学习方面的应用知识。深度学习在医学研究领域同样得到深入的应用，中科院苏州生物医学工程技术研究所迫切需要精通深度学习理论及应用的专业人士加入我们的团队，但是在实践过程中，我们发现很多人在如何应用机器学习解决实际问题方面，存在要么对算法数学原理理解不深入，要么对程序实现技术缺乏经验的现象。这本书从基本数学原理出发，详细讲述了当前流行算法多层感知器（MLP）、卷积神经网络（CNN）、递归神经网络（RNN）、长短时记忆网络（LSTM）、受限玻尔兹曼机（RBM）、深度信念网络（DBN）背后的数学原理，同时详细讲解了基于Theano和TensorFlow的实现技术。闫涛不仅对深度学习算法实现技术进行了详细描述，为了能够组成一个基于深度学习算法的完整应用系统，在书中最后一部分，应用服务器开发技术，以MNIST手写数字识别为例，向读者演示了一个完整的深度学习应用系统的实现技术，这一点在同类书籍中还是非常少见的。本书对于初学者来说是一本很好的入门读物，对于广大的机器学习从业者来说也是一本很好的参考书。对于想要将深度学习算法应用到自己实际项目中去的读者，这本书更是提供了一套完整的实现技术，读者可以基于书中的内容，在短时间内搭建起属于自己的深度学习应用系统。

—— 陈晓禾
中科院苏州生物医学工程技术研究所百人计划专家
中科院苏州生物医学工程技术研究所电子室主任

目录

目 录
第一部分 深度学习算法概述
第1章 深度学习算法简介 2
1．1 神经网络发展简史 2
1．1．1 神经网络第一次兴起 3
1．1．2 神经网络沉寂期（20世纪80年代―21世纪） 4
1．1．3 神经网络技术积累期（20世纪90年代―2006年） 5
1．1．4 深度学习算法崛起（2006年至今） 8
1．2 深度学习现状 10
1．2．1 传统神经网络困境 10
1．2．2 深度多层感知器 12
1．2．3 深度卷积神经网络 14
1．2．4 深度递归神经网络 15
1．3 深度学习研究前瞻 16
1．3．1 自动编码机 17
1．3．2 深度信念网络 18
1．3．3 生成式网络最新进展 19
1．4 深度学习框架比较 20
1．4．1 TensorFlow 20
1．4．2 Theano 21
1．4．3 Torch 22
1．4．4 DeepLearning4J 23
1．4．5 Caffe 23
1．4．6 MXNet 24
1．4．7 CNTK 27
1．4．8 深度学习框架造型指导原则 27
1．5 深度学习入门路径 28
1．5．1 运行MNIST 28
1．5．2 深度学习框架的选择 29
1．5．3 小型试验网络 33
1．5．4 训练生产网络 33
1．5．5 搭建生产环境 34
1．5．6 持续改进 35
第二部分 深度学习算法基础
第2章 搭建深度学习开发环境 38
2．1 安装Python开发环境 38
2．1．1 安装最新版本Python 38
2．1．2 Python虚拟环境配置 39
2．1．3 安装科学计算库 40
2．1．4 安装最新版本Theano 40
2．1．5 图形绘制 40
2．2 NumPy简易教程 43
2．2．1 Python基础 43
2．2．2 多维数组的使用 51
2．2．3 向量运算 58
2．2．4 矩阵运算 60
2．2．5 线性代数 62
2．3 TensorFlow简易教程 68
2．3．1 张量定义 69
2．3．2 变量和placeholder 69
2．3．3 神经元激活函数 71
2．3．4 线性代数运算 72
2．3．5 操作数据集 74
2．4 Theano简易教程 77
2．4．1 安装Theano 77
2．4．2 Theano入门 78
2．4．3 Theano矩阵相加 79
2．4．4 变量和共享变量 80
2．4．5 随机数的使用 84
2．4．6 Theano求导 84
2．5 线性回归 86
2．5．1 问题描述 86
2．5．2 线性模型 88
2．5．3 线性回归学习算法 89
2．5．4 解析法 90
2．5．5 Theano实现 93
第3章 逻辑回归 100
3．1 逻辑回归数学基础 100
3．1．1 逻辑回归算法的直观解释 100
3．1．2 逻辑回归算法数学推导 101
3．1．3 牛顿法解逻辑回归问题 103
3．1．4 通用学习模型 106
3．2 逻辑回归算法简单应用 113
3．3 MNIST手写数字识别库简介 124
3．4 逻辑回归MNIST手写数字识别 126
第4章 感知器模型和MLP 139
4．1 感知器模型 139
4．1．1 神经元模型 139
4．1．2 神经网络架构 143
4．2 数值计算形式 144
4．2．1 前向传播 144
4．2．2 误差反向传播 145
4．2．3 算法推导 147
4．3 向量化表示形式 152
4．4 应用要点 153
4．4．1 输入信号模型 154
4．4．2 权值初始化 155
4．4．3 早期停止 155
4．4．4 输入信号调整 156
4．5 TensorFlow实现MLP 156
第5章 卷积神经网络 174
5．1 卷积神经网络原理 174
5．1．1 卷积神经网络的直观理解 174
5．1．2 卷积神经网络构成 177
5．1．3 卷积神经网络设计 191
5．1．4 迁移学习和网络微调 193
5．2 卷积神经网络的TensorFlow实现 195
5．2．1 模型搭建 197
5．2．2 训练方法 203
5．2．3 运行方法 208
第6章 递归神经网络 212
6．1 递归神经网络原理 212
6．1．1 递归神经网络表示方法 213
6．1．2 数学原理 214
6．1．3 简单递归神经网络应用示例 219
6．2 图像标记 226
6．2．1 建立开发环境 226
6．2．2 图像标记数据集处理 227
6．2．3 单步前向传播 229
6．2．4 单步反向传播 231
6．2．5 完整前向传播 234
6．2．6 完整反向传播 236
6．2．7 单词嵌入前向传播 239
6．2．8 单词嵌入反向传播 241
6．2．9 输出层前向/反向传播 243
6．2．10 输出层代价函数计算 245
6．2．11 图像标注网络整体架构 248
6．2．12 代价函数计算 249
6．2．13 生成图像标记 255
6．2．14 网络训练过程 258
6．2．15 网络持久化 265
第7章 长短时记忆网络 269
7．1 长短时记忆网络原理 269
7．1．1 网络架构 269
7．1．2 数学公式 272
7．2 MNIST手写数字识别 274
第三部分 深度学习算法进阶
第8章 自动编码机 286
8．1 自动编码机概述 286
8．1．1 自动编码机原理 287
8．1．2 去噪自动编码机 287
8．1．3 稀疏自动编码机 288
8．2 去噪自动编码机TensorFlow实现 291
8．3 去噪自动编码机的Theano实现 298
第9章 堆叠自动编码机 307
9．1 堆叠去噪自动编码机 308
9．2 TensorFlow实现 322
9．3 Theano实现 341
第10章 受限玻尔兹曼机 344
10．1 受限玻尔兹曼机原理 344
10．1．1 网络架构 344
10．1．2 能量模型 346
10．1．3 CD-K算法 351
10．2 受限玻尔兹曼机TensorFlow实现 353
10．3 受限玻尔兹曼机Theano实现 362
第11章 深度信念网络 381
11．1 深度信念网络原理 381
11．2 深度信念网络TensorFlow实现 382
11．3 深度信念网络Theano实现 403
第四部分 机器学习基础
第12章 生成式学习 420
12．1 高斯判别分析 422
12．1．1 多变量高斯分布 422
12．1．2 高斯判决分析公式 423
12．2 朴素贝叶斯 436
12．2．1 朴素贝叶斯分类器 436
12．2．2 拉普拉斯平滑 439
12．2．3 多项式事件模型 441
第13章 支撑向量机 444
13．1 支撑向量机概述 444
13．1．1 函数间隔和几何间隔 445
13．1．2 最优距离分类器 448
13．2 拉格朗日对偶 448
13．3 最优分类器算法 450
13．4 核方法 453
13．5 非线性可分问题 455
13．6 SMO算法 457
13．6．1 坐标上升算法 458
13．6．2 SMO算法详解 458
第五部分 深度学习平台API
第14章 Python Web编程 462
14．1 Python Web开发环境搭建 462
14．1．1 CherryPy框架 463
14．1．2 CherryPy安装 463
14．1．3 测试CherryPy安装是否成功 464
14．2 最简Web服务器 465
14．2．1 程序启动 465
14．2．2 显示HTML文件 466
14．2．3 静态内容处理 468
14．3 用户认证系统 471
14．4 AJAX请求详解 473
14．4．1 添加数据 474
14．4．2 修改数据 476
14．4．3 删除数据 478
14．4．4 REST服务实现 479
14．5 数据持久化技术 487
14．5．1 环境搭建 487
14．5．2 数据库添加操作 488
14．5．3 数据库修改操作 489
14．5．4 数据库删除操作 490
14．5．5 数据库查询操作 491
14．5．6 数据库事务操作 492
14．5．7 数据库连接池 494
14．6 任务队列 499
14．7 媒体文件上传 502
14．8 Redis操作 504
14．8．1 Redis安装配置 504
14．8．2 Redis使用例程 505
第15章 深度学习云平台 506
15．1 神经网络持久化 506
15．1．1 数据库表设计 506
15．1．2 整体目录结构 511
15．1．3 训练过程及模型文件保存 512
15．2 神经网络运行模式 528
15．3 AJAX请求调用神经网络 531
15．3．1 显示静态网页 531
15．3．2 上传图片文件 540
15．3．3 AJAX接口 543
15．4 请求合法性验证 545
15．4．1 用户注册和登录 546
15．4．2 客户端生成请求 553
15．4．3 服务器端验证请求 555
15．5 异步结果处理 557
15．5．1 网页异步提交 557
15．5．2 应用队列管理模块 559
15．5．3 任务队列 560
15．5．4 结果队列 561
15．5．5 异步请求处理流程 562
15．6 神经网络持续改进 563
15．6．1 应用遗传算法 563
15．6．2 重新训练 564
15．6．3 生成式对抗网络 565
后 记 567
参考文献 568

精彩书摘

前 言

2016年上半年，随着AlphaGo战胜围棋世界冠军李世石，深度学习技术迅速进入大众的视野，成为热门技术。无论是科技领域还是创业投资领域，深度学习技术都受到了前所未有的关注，面向深度学习技术的初创公司不断刷新融资数额的纪录。

随着深度学习技术的流行，市场上对于深度学习人才的需求量激增。但是，由于深度学习技术涉及高等数学、线性代数、数理统计和机器学习相关知识，故学习曲线比较陡峭。目前国内外著名大学深度学习相关专业硕博士、国家重点实验室学生，都被BAT等一线互联网公司抢光了，人才大战有愈演愈烈之势。普通公司和初创公司，在这场人才大战中处于劣势，面临着越来越严重的人才荒。
　　随着深度学习技术的深入应用，企业对深度学习技术人才的渴求是正常的，但是当前市场上对深度学习技术人才的需求是非理性的。一方面，大家疯抢的深度学习人才都是著名院校的硕博士和重点实验室的研究员，但是这部分人所受的训练和精通的领域是做算法研究，而企业的目的是实际应用，二者在很大程度上是不匹配的，最后可能是企业下了血本却没有产生效益；另一方面，对于很多深度学习应用来说，对项目本身业务的理解，比对深度学习算法的理解要重要得多，而由于业务专家不懂深度学习技术，致使很多好的应用领域没有合适的人才来做。
　　编写本书的目的就是解决上述问题，希望读者可以通过对本书的学习，迅速掌握深度学习的理论框架和知识体系，具备在自己的专业领域内应用深度学习技术的能力，同时还具备跟踪深度学习领域最新进展的能力，能够独立复现顶级期刊文章中介绍的新方法和新理论。
　　本书内容及知识体系
　　第一部分为深度学习算法概述，包括第1章。
　　第1章简单介绍神经网络和深度学习发展史、现状和发展趋势，介绍并比较了深度学习开源框架，还介绍了开源框架的选择标准。
　　第二部分为深度学习算法基础，主要讲述深度学习算法中比较成熟的算法，包括第2章到第7章。
　　第2章介绍Python开发环境的搭建、NumPy的使用、Theano的安装和使用，并用本章介绍的知识实现一个简单的线性回归算法的程序。
　　第3章讲述逻辑回归算法的数学推导过程，并且讲述了通用学习模型的相关知识，还利用逻辑回归算法对MNIST手写数字识别数据集进行训练和识别。
　　第4章讲述多层感知器模型算法推导过程，以及数值计算与向量表示方式，并利用多层感知器模型对MNIST手写数字识别数据集进行训练和识别。
　　第5章讲述卷积神经网络的数学原理，详细讲解卷积神经网络的层间稀疏连接、权值共享和最大池化等技术，并利用卷积神经网络模型对MNIST手写数字识别数据集进行训练和识别。
　　第6章讲述递归神经网络的数学原理，以字符RNN网络为例，向读者演示了简单的计算机写作系统。而且，以微软图像标注数据集为例，以测试驱动开发的形式，向读者介绍利用递归神经网络做图像标注的典型应用。
　　第7章讲述长短时记忆网络的网络架构和数学原理，并以大型影评数据集为例，采用长短时记忆网络进行情感计算。
　　第三部分为深度学习算法进阶，主要讲述深度学习算法中比较前沿的算法，包括第8章到第11章。
　　第8章讲述自动编码机的数学原理，重点介绍实际中应用较多的去噪自动编码机和稀疏自动编码机，并以去噪自动编码机为例，对MNIST手写数字识别数据集进行特征提取。
深度学习算法实践（基于Theano和TensorFlow） 下载 mobi epub pdf txt 电子书 格式