前言 xv
第1章 Python入門 1
1.1 Python是什麼 1
1.2 Python的安裝 2
1.2.1 Python版本 2
1.2.2 使用的外部庫 2
1.2.3 Anaconda發行版 3
1.3 Python解釋器 4
1.3.1 算術計算 4
1.3.2 數據類型 5
1.3.3 變量 5
1.3.4 列錶 6
1.3.5 字典 7
1.3.6 布爾型 7
1.3.7 if 語句 8
1.3.8 for 語句 8
1.3.9 函數 9
1.4 Python腳本文件 9
1.4.1 保存為文件 9
1.4.2 類 10
1.5 NumPy 11
1.5.1 導入NumPy 11
1.5.2 生成NumPy數組 12
1.5.3 NumPy 的算術運算 12
1.5.4 NumPy的N維數組 13
1.5.5 廣播 14
1.5.6 訪問元素 15
1.6 Matplotlib 16
1.6.1 繪製簡單圖形 16
1.6.2 pyplot 的功能 17
1.6.3 顯示圖像 18
1.7 小結 19
第2章 感知機 21
2.1 感知機是什麼 21
2.2 簡單邏輯電路 23
2.2.1 與門 23
2.2.2 與非門和或門 23
2.3 感知機的實現 25
2.3.1 簡單的實現 25
2.3.2 導入權重和偏置 26
2.3.3 使用權重和偏置的實現 26
2.4 感知機的局限性 28
2.4.1 異或門 28
2.4.2 綫性和非綫性 30
2.5 多層感知機 31
2.5.1 已有門電路的組閤 31
2.5.2 異或門的實現 33
2.6 從與非門到計算機 35
2.7 小結 36
第3章 神經網絡 37
3.1 從感知機到神經網絡 37
3.1.1 神經網絡的例子 37
3.1.2 復習感知機 38
3.1.3 激活函數登場 40
3.2 激活函數 42
3.2.1 sigmoid 函數 42
3.2.2 階躍函數的實現 43
3.2.3 階躍函數的圖形 44
3.2.4 sigmoid 函數的實現 45
3.2.5 sigmoid 函數和階躍函數的比較 46
3.2.6 非綫性函數 48
3.2.7 ReLU函數 49
3.3 多維數組的運算 50
3.3.1 多維數組 50
3.3.2 矩陣乘法 51
3.3.3 神經網絡的內積 55
3.4 3 層神經網絡的實現 56
3.4.1 符號確認 57
3.4.2 各層間信號傳遞的實現 58
3.4.3 代碼實現小結 62
3.5 輸齣層的設計 63
3.5.1 恒等函數和softmax 函數 64
3.5.2 實現softmax 函數時的注意事項 66
3.5.3 softmax 函數的特徵 67
3.5.4 輸齣層的神經元數量 68
3.6 手寫數字識彆 69
3.6.1 MNIST數據集 70
3.6.2 神經網絡的推理處理 73
3.6.3 批處理 75
3.7 小結 79
第4章 神經網絡的學習 81
4.1 從數據中學習 81
4.1.1 數據驅動 82
4.1.2 訓練數據和測試數據 84
4.2 損失函數 85
4.2.1 均方誤差 85
4.2.2 交叉熵誤差 87
4.2.3 mini-batch 學習 88
4.2.4 mini-batch 版交叉熵誤差的實現 91
4.2.5 為何要設定損失函數 92
4.3 數值微分 94
4.3.1 導數 94
4.3.2 數值微分的例子 96
4.3.3 偏導數 98
4.4 梯度 100
4.4.1 梯度法 102
4.4.2 神經網絡的梯度 106
4.5 學習算法的實現 109
4.5.1 2 層神經網絡的類 110
4.5.2 mini-batch 的實現 114
4.5.3 基於測試數據的評價 116
4.6 小結 118
第5章 誤差反嚮傳播法 121
5.1 計算圖 121
5.1.1 用計算圖求解 122
5.1.2 局部計算 124
5.1.3 為何用計算圖解題 125
5.2 鏈式法則 126
5.2.1 計算圖的反嚮傳播 127
5.2.2 什麼是鏈式法則 127
5.2.3 鏈式法則和計算圖 129
5.3 反嚮傳播 130
5.3.1 加法節點的反嚮傳播 130
5.3.2 乘法節點的反嚮傳播 132
5.3.3 蘋果的例子 133
5.4 簡單層的實現 135
5.4.1 乘法層的實現 135
5.4.2 加法層的實現 137
5.5 激活函數層的實現 139
5.5.1 ReLU層 139
5.5.2 Sigmoid 層 141
5.6 AffineSoftmax層的實現 144
5.6.1 Affine層 144
5.6.2 批版本的Affine層 148
5.6.3 Softmax-with-Loss 層 150
5.7 誤差反嚮傳播法的實現 154
5.7.1 神經網絡學習的全貌圖 154
5.7.2 對應誤差反嚮傳播法的神經網絡的實現 155
5.7.3 誤差反嚮傳播法的梯度確認 158
5.7.4 使用誤差反嚮傳播法的學習 159
5.8 小結 161
第6章 與學習相關的技巧 163
6.1 參數的更新 163
6.1.1 探險傢的故事 164
6.1.2 SGD 164
6.1.3 SGD的缺點 166
6.1.4 Momentum 168
6.1.5 AdaGrad 170
6.1.6 Adam 172
6.1.7 使用哪種更新方法呢 174
6.1.8 基於MNIST數據集的更新方法的比較 175
6.2 權重的初始值 176
6.2.1 可以將權重初始值設為0 嗎 176
6.2.2 隱藏層的激活值的分布 177
6.2.3 ReLU的權重初始值 181
6.2.4 基於MNIST數據集的權重初始值的比較 183
6.3 Batch Normalization 184
6.3.1 Batch Normalization 的算法 184
6.3.2 Batch Normalization 的評估 186
6.4 正則化 188
6.4.1 過擬閤 189
6.4.2 權值衰減 191
6.4.3 Dropout 192
6.5 超參數的驗證 195
6.5.1 驗證數據 195
6.5.2 超參數的最優化 196
6.5.3 超參數最優化的實現 198
6.6 小結 200
第7章 捲積神經網絡 201
7.1 整體結構 201
7.2 捲積層 202
7.2.1 全連接層存在的問題 203
7.2.2 捲積運算 203
7.2.3 填充 206
7.2.4 步幅 207
7.2.5 3 維數據的捲積運算 209
7.2.6 結閤方塊思考 211
7.2.7 批處理 213
7.3 池化層 214
7.4 捲積層和池化層的實現 216
7.4.1 4 維數組 216
7.4.2 基於im2col 的展開 217
7.4.3 捲積層的實現 219
7.4.4 池化層的實現 222
7.5 CNN的實現 224
7.6 CNN的可視化 228
7.6.1 第1 層權重的可視化 228
7.6.2 基於分層結構的信息提取 230
7.7 具有代錶性的CNN 231
7.7.1 LeNet 231
7.7.2 AlexNet 232
7.8 小結 233
第8章 深度學習 235
8.1 加深網絡 235
8.1.1 嚮更深的網絡齣發 235
8.1.2 進一步提高識彆精度 238
8.1.3 加深層的動機 240
8.2 深度學習的小曆史 242
8.2.1 ImageNet 243
8.2.2 VGG 244
8.2.3 GoogLeNet 245
8.2.4 ResNet 246
8.3 深度學習的高速化 248
8.3.1 需要努力解決的問題 248
8.3.2 基於GPU的高速化 249
8.3.3 分布式學習 250
8.3.4 運算精度的位數縮減 252
8.4 深度學習的應用案例 253
8.4.1 物體檢測 253
8.4.2 圖像分割 255
8.4.3 圖像標題的生成 256
8.5 深度學習的未來 258
8.5.1 圖像風格變換 258
8.5.2 圖像的生成 259
8.5.3 自動駕駛 261
8.5.4 Deep Q-Network（強化學習） 262
8.6 小結 264
附錄A Softmax-with-Loss 層的計算圖 267
A.1 正嚮傳播 268
A.2 反嚮傳播 270
A.3 小結 277
參考文獻 279
· · · · · · (收起)
具體描述
本書是深度學習真正意義上的入門書，深入淺齣地剖析瞭深度學習的原理和相關技術。書中使用Python3，盡量不依賴外部庫或工具，從基本的數學知識齣發，帶領讀者從零創建一個經典的深度學習網絡，使讀者在此過程中逐步理解深度學習。書中不僅介紹瞭深度學習和神經網絡的概念、特徵等基礎知識，對誤差反嚮傳播法、捲積神經網絡等也有深入講解，此外還介紹瞭深度學習相關的實用技巧，自動駕駛、圖像生成、強化學習等方麵的應用，以及為什麼加深層可以提高識彆精度等“為什麼”的問題。
用戶評價
##這本書寫得通俗易懂很好，算是入門有個大概方嚮瞭！
評分##太棒瞭，力薦想在自己專業引入機器學習或深度學習算法的朋友們閱讀，這簡直是《三天瞭解深度學習》《小白的深度學習入門書》錶演，從沒見過一本書講梯度還從求導開始，很對得起前言中對書的定位，承諾的都做到瞭（愛死瞭能實現承諾的作者）。私以為寫得特彆好的部分非反嚮傳播莫屬，第五章讀瞭4遍，不是因為第一次沒看懂，就是單純太喜歡瞭；其次是第七章，很友好但確實還是需要一點基礎纔會更有價值；再次是第六章，權重初始值設置部分算亮點，但正則化部分還可以更好些。想來近一年看來最可愛的編程算法書大多齣自日本學者之手（不知是不是也有翻譯因素），圖靈叢書居多，以後選書方嚮更明確瞭，開心。
評分##科普完成，不太復雜的代碼也能達到很高的手寫數字識彆率，還是挺神奇的。
評分##基本原理，簡潔清楚，所用數學基本就是大一水平。適閤做第一本入門書。實戰性差一點。
評分##門檻超低的 deep learning 入門，這是 "知新"；順帶復習瞭 machine learning 部分概念和用 numpy 的實現，這是 "溫故"。300 頁中文版，一天可以看完。另外，某些錶達方式和舉例可以證明，這真的是一本日本人寫的書 www
評分##網友說日文版更好，迪哥藉不來，擱三年前我都想不到迪哥會把日語學瞭，人還是得有錢，有錢就不慌，學啥都開竅
評分##非常清晰的一本深度學習入門書，沒有過多的公式羅列，無論是沒接觸過DL的算法工程師，還是有意嚮瞭解DL的工程師，都很適閤來讀。美中不足的是可能過於強調淺顯易懂，反而把一些簡單的事情復雜化瞭，比如鏈式法則；然後就是有些代碼寫的不夠好，有些誤導性。
評分##現在再迴來翻看，這本書應該是非框架書裏最強的瞭，日本人還是有一套的，pytorch裏許多地方都是從日本人的chainer裏學來的。書裏麵對計算圖反傳和im2col的講解都非常好。
評分##挺好的入門學習參考書
相關圖書
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.teaonline.club All Rights Reserved. 圖書大百科 版權所有