91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
Python深度學習入門：從零構(gòu)建CNN和RNN
Python深度學習入門：從零構(gòu)建CNN和RNN
Seth Weidman 著
鄭天民 譯
出版時間：2021年03月
頁數(shù)：212
“無論你是否有經(jīng)驗，都可以借助這本書，從零開始理解和編碼神經(jīng)網(wǎng)絡(luò)。”
——Pin-YuChen
IBM Research AI團隊研究人員

深度學習技術(shù)的發(fā)展如火如荼，這些知識正迅速成為機器學習從業(yè)者甚至許多軟件開發(fā)工程師的“加分項”。深度學習是一個立體的領(lǐng)域，僅從數(shù)學層面或代碼層面學習，難免以偏概全，無法融會貫通。
本書作者認為，理解深度學習和神經(jīng)網(wǎng)絡(luò)需要多種思維模型。因此，本書從數(shù)學、示意圖、Python代碼三個維度幫助你立體地理解每一個概念，帶你領(lǐng)略深度學習領(lǐng)域的全貌，從內(nèi)到外地理解構(gòu)建神經(jīng)網(wǎng)絡(luò)的每一步。你將學到以下內(nèi)容。
● 為理解深度學習的概念和原理構(gòu)建多種思維模型。
● 掌握嵌套函數(shù)、鏈式法則等數(shù)學概念。
● 掌握學習率衰減、權(quán)重初始化、dropout等優(yōu)化技巧。
● 從零構(gòu)建CNN和RNN等常見的神經(jīng)網(wǎng)絡(luò)架構(gòu)。
● 使用PyTorch實現(xiàn)神經(jīng)網(wǎng)絡(luò)。
  1. 第1章　基本概念
  2. 1.1　函數(shù)
  3. 1.2　導數(shù)
  4. 1.3　嵌套函數(shù)
  5. 1.4　鏈式法則
  6. 1.5　示例介紹
  7. 1.6　多輸入函數(shù)
  8. 1.7　多輸入函數(shù)的導數(shù)
  9. 1.8　多向量輸入函數(shù)
  10. 1.9　基于已有特征創(chuàng)建新特征
  11. 1.10　多向量輸入函數(shù)的導數(shù)
  12. 1.11　向量函數(shù)及其導數(shù)：再進一步
  13. 1.12　包含兩個二維矩陣輸入的計算圖
  14. 1.13　有趣的部分：后向傳遞
  15. 1.14　小結(jié)
  16. 第2章　基本原理
  17. 2.1　監(jiān)督學習概述
  18. 2.2　監(jiān)督學習模型
  19. 2.3　線性回歸
  20. 2.3.1　線性回歸：示意圖
  21. 2.3.2　線性回歸：更有用的示意圖和數(shù)學
  22. 2.3.3　加入截距項
  23. 2.3.4　線性回歸：代碼
  24. 2.4　訓練模型
  25. 2.4.1　計算梯度：示意圖
  26. 2.4.2　計算梯度：數(shù)學和一些代碼
  27. 2.4.3　計算梯度：完整的代碼
  28. 2.4.4　使用梯度訓練模型
  29. 2.5　評估模型：訓練集與測試集
  30. 2.6　評估模型：代碼
  31. 2.7　從零開始構(gòu)建神經(jīng)網(wǎng)絡(luò)
  32. 2.7.1　步驟1：一系列線性回歸
  33. 2.7.2　步驟2：一個非線性函數(shù)
  34. 2.7.3　步驟3：另一個線性回歸
  35. 2.7.4　示意圖
  36. 2.7.5　代碼
  37. 2.7.6　神經(jīng)網(wǎng)絡(luò)：后向傳遞
  38. 2.8　訓練和評估第 一個神經(jīng)網(wǎng)絡(luò)
  39. 2.9　小結(jié)
  40. 第3章　從零開始深度學習
  41. 3.1　定義深度學習
  42. 3.2　神經(jīng)網(wǎng)絡(luò)的構(gòu)成要素：運算
  43. 3.2.1　示意圖
  44. 3.2.2　代碼
  45. 3.3 神經(jīng)網(wǎng)絡(luò)的構(gòu)成要素：層
  46. 3.4　在構(gòu)成要素之上構(gòu)建新的要素
  47. 3.4.1　層的藍圖
  48. 3.4.2　稠密層
  49. 3.5　NeuralNetwork類和其他類
  50. 3.5.1　示意圖
  51. 3.5.2　代碼
  52. 3.5.3　Loss類
  53. 3.6　從零開始構(gòu)建深度學習模型
  54. 3.6.1　實現(xiàn)批量訓練
  55. 3.6.2　NeuralNetwork：代碼
  56. 3.7　優(yōu)化器和訓練器
  57. 3.7.1　優(yōu)化器
  58. 3.7.2　訓練器
  59. 3.8　整合
  60. 3.9　小結(jié)與展望
  61. 第4章　擴展
  62. 4.1　關(guān)于神經(jīng)網(wǎng)絡(luò)的一些直覺
  63. 4.2　softmax交叉熵損失函數(shù)
  64. 4.2.1　組件1：softmax函數(shù)
  65. 4.2.2　組件2：交叉熵損失
  66. 4.2.3　關(guān)于激活函數(shù)的注意事項
  67. 4.3　實驗
  68. 4.3.1　數(shù)據(jù)預處理
  69. 4.3.2　模型
  70. 4.3.3　實驗：softmax交叉熵損失函數(shù)
  71. 4.4　動量
  72. 4.4.1　理解動量
  73. 4.4.2　在Optimizer類中實現(xiàn)動量
  74. 4.4.3　實驗：帶有動量的隨機梯度下降
  75. 4.5　學習率衰減
  76. 4.5.1　學習率衰減的類型
  77. 4.5.2　實驗：學習率衰減
  78. 4.6　權(quán)重初始化
  79. 4.6.1　數(shù)學和代碼
  80. 4.6.2　實驗：權(quán)重初始化
  81. 4.7　dropout
  82. 4.7.1　定義
  83. 4.7.2　實現(xiàn)
  84. 4.7.3　實驗：dropout
  85. 4.8　小結(jié)
  86. 第5章　CNN
  87. 5.1　神經(jīng)網(wǎng)絡(luò)與表征學習
  88. 5.1.1　針對圖像數(shù)據(jù)的不同架構(gòu)
  89. 5.1.2　卷積運算
  90. 5.1.3　多通道卷積運算
  91. 5.2　卷積層
  92. 5.2.1　實現(xiàn)意義
  93. 5.2.2　卷積層與全連接層的區(qū)別
  94. 5.2.3　利用卷積層進行預測：Flatten層
  95. 5.2.4　池化層
  96. 5.3　實現(xiàn)多通道卷積運算
  97. 5.3.1　前向傳遞
  98. 5.3.2　后向傳遞
  99. 5.3.3　批處理
  100. 5.3.4　二維卷積
  101. 5.3.5　最后一個元素：通道
  102. 5.4　使用多通道卷積運算訓練CNN
  103. 5.4.1　Flatten運算
  104. 5.4.2　完整的Conv2D層
  105. 5.4.3　實驗
  106. 5.5　小結(jié)
  107. 第6章　RNN
  108. 6.1　關(guān)鍵限制：處理分支
  109. 6.2　自動微分
  110. 6.3　RNN的動機
  111. 6.4　RNN簡介
  112. 6.4.1　RNN的第 一個類：RNNLayer
  113. 6.4.2　RNN的第二個類：RNNNode
  114. 6.4.3　整合RNNNode類和RNNLayer類
  115. 6.4.4　后向傳遞
  116. 6.5　RNN：代碼
  117. 6.5.1　RNNLayer類
  118. 6.5.2　RNNNode類的基本元素
  119. 6.5.3　vanilla RNNNode類
  120. 6.5.4　vanilla RNNNode類的局限性
  121. 6.5.5　GRUNode類
  122. 6.5.6　LSTMNode類
  123. 6.5.7　基于字符級RNN語言模型的數(shù)據(jù)表示
  124. 6.5.8　其他語言建模任務(wù)
  125. 6.5.9　組合RNNLayer類的變體
  126. 6.5.10　將全部內(nèi)容整合在一起
  127. 6.6　小結(jié)
  128. 第7章　PyTorch
  129. 7.1　PyTorch Tensor
  130. 7.2　使用PyTorch進行深度學習
  131. 7.2.1　PyTorch元素：Model類及其Layer類
  132. 7.2.2　使用PyTorch實現(xiàn)神經(jīng)網(wǎng)絡(luò)基本要素：DenseLayer類
  133. 7.2.3　示例：基于PyTorch的波士頓房價模型
  134. 7.2.4　PyTorch元素：Optimizer類和Loss類
  135. 7.2.5　PyTorch元素：Trainer類
  136. 7.2.6　PyTorch優(yōu)化學習技術(shù)
  137. 7.3　PyTorch中的CNN
  138. 7.4　PyTorch中的LSTM
  139. 7.5　后記：通過自編碼器進行無監(jiān)督學習
  140. 7.5.1　表征學習
  141. 7.5.2　應(yīng)對無標簽場景的方法
  142. 7.5.3　在PyTorch中實現(xiàn)自編碼器
  143. 7.5.4　更強大的無監(jiān)督學習測試及解決方案
  144. 7.6　小結(jié)
  145. 附錄　深入探討
  146. 關(guān)于作者
  147. 關(guān)于封面
書名：Python深度學習入門：從零構(gòu)建CNN和RNN
作者：Seth Weidman 著
譯者：鄭天民 譯
國內(nèi)出版社：人民郵電出版社
出版時間：2021年03月
頁數(shù)：212
書號：978-7-115-55564-9
原版書書名：Deep Learning from Scratch
原版書出版商：O'Reilly Media
Seth Weidman
 
塞思·韋德曼（Seth Weidman），SentiLink公司數(shù)據(jù)科學家。他曾在Facebook公司從事數(shù)據(jù)科學工作，并為多家企業(yè)開發(fā)了深度學習培訓課程。塞思善于通過簡單明了的方式解釋復雜的概念。除了講授課程，他還熱衷于技術(shù)寫作，并撰寫了大量PyTorch教程。
 
 
本書封面上的動物是北非石雞（Alectoris barbara）。它是一種鳥，分布在非洲北部及歐洲部分地區(qū)，如加那利群島和直布羅陀等地，生活在森林、灌木叢和干旱環(huán)境中?，F(xiàn)在，也可以在葡萄牙、意大利和西班牙找到其蹤跡。
北非石雞體形圓胖，重達約0.45千克，翼展約45.72厘米。相比飛行，它們更喜歡步行。它們的脖頸呈紅褐色，帶有白色斑點，腹部呈淺黃色，側(cè)翼有白棕相間的條紋狀羽毛，腿、喙和眼睛呈紅色，其他部位呈淺灰色。
北非石雞以種子、各種植物和昆蟲為食。在春天，雌鳥在地上的巢里產(chǎn)10 ～ 16枚卵。它們的領(lǐng)地意識很強，經(jīng)常嘰嘰喳喳地發(fā)出刺耳的叫聲，宣告它們的“所有權(quán)”，這是它們的一個顯著特征。目前，北非石雞并未受到全球性的生存威脅。
購買選項
定價：79.00元
書號：978-7-115-55564-9
出版社：人民郵電出版社