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

 
深度學(xué)習(xí)入門：自制框架
深度學(xué)習(xí)入門：自制框架
齋藤康毅 著
鄭明智 譯
出版時(shí)間：2023年03月
頁數(shù)：480
“魚書”《深度學(xué)習(xí)入門：基于Python的理論與實(shí)現(xiàn)》作者又一力作。
帶你創(chuàng)建深度學(xué)習(xí)框架，直擊現(xiàn)代深度學(xué)習(xí)框架本質(zhì)！

本書有什么特點(diǎn)？
● 簡明易懂，講解詳細(xì)
本書延續(xù)前作的行文風(fēng)格，采用通俗的語言和大量直觀的示意圖詳細(xì)講解，幫助讀者加深對(duì)PyTorch、TensorFlow和Chainer等現(xiàn)代深度學(xué)習(xí)框架的理解，進(jìn)一步鞏固Python編程和軟件開發(fā)的相關(guān)知識(shí)。
● 通過“從零創(chuàng)建”，剖析深度學(xué)習(xí)框架機(jī)制
本書會(huì)從零創(chuàng)建一個(gè)深度學(xué)習(xí)框架，讓讀者在運(yùn)行程序的過程中了解深度學(xué)習(xí)框架中蘊(yùn)藏的技術(shù)與機(jī)制。通過這樣的體驗(yàn)，讀者可看清深度學(xué)習(xí)框架的本質(zhì)。
● 增量開發(fā)
本書將繁雜的深度學(xué)習(xí)框架的創(chuàng)建工作分為60個(gè)步驟完成，內(nèi)容循序漸進(jìn)，讀者可在一步步的實(shí)踐過程中獲得正向的反饋結(jié)果，激發(fā)學(xué)習(xí)動(dòng)力。
  1. 前言
  2. 第1階段 自動(dòng)微分
  3. 步驟1 作為“箱子”的變量
  4. 1.1 什么是變量
  5. 1.2 實(shí)現(xiàn)Variable類
  6. 1.3 （補(bǔ)充）NumPy的多維數(shù)組
  7. 步驟2 創(chuàng)建變量的函數(shù)
  8. 2.1 什么是函數(shù)
  9. 2.2 Function類的實(shí)現(xiàn)
  10. 2.3 使用Function類
  11. 步驟3 函數(shù)的連續(xù)調(diào)用
  12. 3.1 Exp函數(shù)的實(shí)現(xiàn)
  13. 3.2 函數(shù)的連續(xù)調(diào)用
  14. 步驟4 數(shù)值微分
  15. 4.1 什么是導(dǎo)數(shù)
  16. 4.2 數(shù)值微分的實(shí)現(xiàn)
  17. 4.3 復(fù)合函數(shù)的導(dǎo)數(shù)
  18. 4.4 數(shù)值微分存在的問題
  19. 步驟5 反向傳播的理論知識(shí)
  20. 5.1 鏈?zhǔn)椒▌t
  21. 5.2 反向傳播的推導(dǎo)
  22. 5.3 用計(jì)算圖表示
  23. 步驟6 手動(dòng)進(jìn)行反向傳播
  24. 6.1 Variable類的功能擴(kuò)展
  25. 6.2 Function類的功能擴(kuò)展
  26. 6.3 Square類和Exp類的功能擴(kuò)展
  27. 6.4 反向傳播的實(shí)現(xiàn)
  28. 步驟7 反向傳播的自動(dòng)化
  29. 7.1 為反向傳播的自動(dòng)化創(chuàng)造條件
  30. 7.2 嘗試反向傳播
  31. 7.3 增加backward方法
  32. 步驟8 從遞歸到循環(huán)
  33. 8.1 現(xiàn)在的Variable類
  34. 8.2 使用循環(huán)實(shí)現(xiàn)
  35. 8.3 代碼驗(yàn)證
  36. 步驟9 讓函數(shù)更易用
  37. 9.1 作為Python函數(shù)使用
  38. 9.2 簡化backward方法
  39. 9.3 只支持ndarray
  40. 步驟10 測試
  41. 10.1 Python的單元測試
  42. 10.2 square函數(shù)反向傳播的測試
  43. 10.3 通過梯度檢驗(yàn)來自動(dòng)測試
  44. 10.4 測試小結(jié)
  45. 第 2階段 用自然的代碼表達(dá)
  46. 步驟11 可變長參數(shù)（正向傳播篇)
  47. 11.1 修改Function類
  48. 11.2 Add類的實(shí)現(xiàn)
  49. 步驟12 可變長參數(shù)（改進(jìn)篇)
  50. 12.1 第 1 項(xiàng)改進(jìn)：使函數(shù)更容易使用
  51. 12.2 第 2 項(xiàng)改進(jìn)：使函數(shù)更容易實(shí)現(xiàn)
  52. 12.3 add函數(shù)的實(shí)現(xiàn)
  53. 步驟13 可變長參數(shù)（反向傳播篇)
  54. 13.1 支持可變長參數(shù)的Add類的反向傳播
  55. 13.2 修改Variable類
  56. 13.3 Square類的實(shí)現(xiàn)
  57. 步驟14 重復(fù)使用同一個(gè)變量
  58. 14.1 問題的原因
  59. 14.2 解決方案
  60. 14.3 重置導(dǎo)數(shù)
  61. 步驟15 復(fù)雜的計(jì)算圖（理論篇）
  62. 15.1 反向傳播的正確順序
  63. 15.2 當(dāng)前的DeZero
  64. 15.3 函數(shù)的優(yōu)先級(jí)
  65. 步驟16 復(fù)雜的計(jì)算圖（實(shí)現(xiàn)篇）
  66. 16.1 增加“輩分”變量
  67. 16.2 按照“輩分”順序取出元素
  68. 16.3 Variable類的backward
  69. 16.4 代碼驗(yàn)證
  70. 步驟17 內(nèi)存管理和循環(huán)引用
  71. 17.1 內(nèi)存管理
  72. 17.2 引用計(jì)數(shù)方式的內(nèi)存管理
  73. 17.3 循環(huán)引用
  74. 17.4 weakref模塊
  75. 17.5 代碼驗(yàn)證
  76. 步驟18 減少內(nèi)存使用量的模式
  77. 18.1 不保留不必要的導(dǎo)數(shù)
  78. 18.2 回顧Function類
  79. 18.3 使用Config類進(jìn)行切換
  80. 18.4 模式的切換
  81. 18.5 使用with語句切換
  82. 步驟19 讓變量更易用
  83. 19.1 命名變量
  84. 19.2 實(shí)例變量ndarray
  85. 19.3 len函數(shù)和print函數(shù)
  86. 步驟20 運(yùn)算符重載（1）
  87. 20.1 Mul類的實(shí)現(xiàn)
  88. 20.2 運(yùn)算符重載
  89. 步驟21 運(yùn)算符重載（2）
  90. 21.1 與ndarray一起使用
  91. 21.2 與float和int一起使用
  92. 21.3 問題1：左項(xiàng)為float或int的情況
  93. 21.4 問題2：左項(xiàng)為ndarray實(shí)例的情況
  94. 步驟22 運(yùn)算符重載（3）
  95. 22.1 負(fù)數(shù)
  96. 22.2 減法
  97. 22.3 除法
  98. 22.4 冪運(yùn)算
  99. 步驟23 打包
  100. 23.1 文件結(jié)構(gòu)
  101. 23.2 將代碼移到核心類
  102. 23.3 運(yùn)算符重載
  103. 23.4 實(shí)際的_ _init_ _.py 文件
  104. 23.5 導(dǎo)入dezero
  105. 步驟24 復(fù)雜函數(shù)的求導(dǎo)
  106. 24.1 Sphere函數(shù)
  107. 24.2 matyas函數(shù)
  108. 24.3 Goldstein Price函數(shù)
  109. 第3階段 實(shí)現(xiàn)高階導(dǎo)數(shù)
  110. 步驟25 計(jì)算圖的可視化（1）
  111. 25.1 安裝Graphviz
  112. 25.2 使用DOT語言描述圖形
  113. 25.3 指定節(jié)點(diǎn)屬性
  114. 25.4 連接節(jié)點(diǎn)
  115. 步驟26 計(jì)算圖的可視化（2）
  116. 26.1 可視化代碼的使用示例
  117. 26.2 從計(jì)算圖轉(zhuǎn)換為DOT語言
  118. 26.3 從DOT語言轉(zhuǎn)換為圖像
  119. 26.4 代碼驗(yàn)證
  120. 步驟27 泰勒展開的導(dǎo)數(shù)
  121. 27.1 sin函數(shù)的實(shí)現(xiàn)
  122. 27.2 泰勒展開的理論知識(shí)
  123. 27.3 泰勒展開的實(shí)現(xiàn)
  124. 27.4 計(jì)算圖的可視化
  125. 步驟28 函數(shù)優(yōu)化
  126. 28.1 Rosenbrock函數(shù)
  127. 28.2 求導(dǎo)
  128. 28.3 梯度下降法的實(shí)現(xiàn)
  129. 步驟29 使用牛頓法進(jìn)行優(yōu)化（手動(dòng)計(jì)算）
  130. 29.1 使用牛頓法進(jìn)行優(yōu)化的理論知識(shí)
  131. 29.2 使用牛頓法實(shí)現(xiàn)優(yōu)化
  132. 步驟30 高階導(dǎo)數(shù)（準(zhǔn)備篇）
  133. 30.1 確認(rèn)工作①：Variable實(shí)例變量
  134. 30.2 確認(rèn)工作②：Function類
  135. 30.3 確認(rèn)工作③：Variable類的反向傳播
  136. 步驟31 高階導(dǎo)數(shù)（理論篇）
  137. 31.1 在反向傳播時(shí)進(jìn)行的計(jì)算
  138. 31.2 創(chuàng)建反向傳播的計(jì)算圖的方法
  139. 步驟32 高階導(dǎo)數(shù)（實(shí)現(xiàn)篇）
  140. 32.1 新的DeZero
  141. 32.2 函數(shù)類的反向傳播
  142. 32.3 實(shí)現(xiàn)更有效的反向傳播（增加模式控制代碼）
  143. 32.4 修改_ _init_ _.py
  144. 步驟33 使用牛頓法進(jìn)行優(yōu)化（自動(dòng)計(jì)算）
  145. 33.1 求二階導(dǎo)數(shù)
  146. 33.2 使用牛頓法進(jìn)行優(yōu)化
  147. 步驟34 sin函數(shù)的高階導(dǎo)數(shù)
  148. 34.1 sin函數(shù)的實(shí)現(xiàn)
  149. 34.2 cos函數(shù)的實(shí)現(xiàn)
  150. 34.3 sin函數(shù)的高階導(dǎo)數(shù)
  151. 步驟35 高階導(dǎo)數(shù)的計(jì)算圖
  152. 35.1 tanh函數(shù)的導(dǎo)數(shù)
  153. 35.2 tanh函數(shù)的實(shí)現(xiàn)
  154. 35.3 高階導(dǎo)數(shù)的計(jì)算圖可視化
  155. 步驟36 DeZero的其他用途
  156. 36.1 double backprop的用途
  157. 36.2 深度學(xué)習(xí)研究中的應(yīng)用示例
  158. 第4階段 創(chuàng)建神經(jīng)網(wǎng)絡(luò)
  159. 步驟37 處理張量
  160. 37.1 對(duì)各元素進(jìn)行計(jì)算
  161. 37.2 使用張量時(shí)的反向傳播
  162. 37.3 使用張量時(shí)的反向傳播（補(bǔ)充內(nèi)容）
  163. 步驟38 改變形狀的函數(shù)
  164. 38.1 reshape函數(shù)的實(shí)現(xiàn)
  165. 38.2 從Variable對(duì)象調(diào)用reshape
  166. 38.3 矩陣的轉(zhuǎn)置
  167. 38.4 實(shí)際的transpose函數(shù)（補(bǔ)充內(nèi)容）
  168. 步驟39 求和的函數(shù)
  169. 39.1 sum函數(shù)的反向傳播
  170. 39.2 sum函數(shù)的實(shí)現(xiàn)
  171. 39.3 axis和keepdims
  172. 步驟40 進(jìn)行廣播的函數(shù) 272
  173. 40.1 broadcast_to函數(shù)和sum_to函數(shù)
  174. 40.2 DeZero的broadcast_to函數(shù)和sum_to函數(shù)
  175. 40.3 支持廣播
  176. 步驟41 矩陣的乘積
  177. 41.1 向量的內(nèi)積和矩陣的乘積
  178. 41.2 檢查矩陣的形狀
  179. 41.3 矩陣乘積的反向傳播
  180. 步驟42 線性回歸
  181. 42.1 玩具數(shù)據(jù)集
  182. 42.2 線性回歸的理論知識(shí)
  183. 42.3 線性回歸的實(shí)現(xiàn)
  184. 42.4 DeZero的mean_squared_error函數(shù)（補(bǔ)充內(nèi)容）
  185. 步驟43 神經(jīng)網(wǎng)絡(luò)
  186. 43.1 DeZero中的linear函數(shù)
  187. 43.2 非線性數(shù)據(jù)集
  188. 43.3 激活函數(shù)和神經(jīng)網(wǎng)絡(luò)
  189. 43.4 神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)
  190. 步驟44 匯總參數(shù)的層
  191. 44.1 Parameter類的實(shí)現(xiàn)
  192. 44.2 Layer類的實(shí)現(xiàn)
  193. 44.3 Linear類的實(shí)現(xiàn)
  194. 44.4 使用Layer實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)
  195. 步驟45 匯總層的層
  196. 45.1 擴(kuò)展Layer類
  197. 45.2 Model類
  198. 45.3 使用Model來解決問題
  199. 45.4 MLP類
  200. 步驟46 通過Optimizer更新參數(shù)
  201. 46.1 Optimizer類
  202. 46.2 SGD類的實(shí)現(xiàn)
  203. 46.3 使用SGD類來解決問題
  204. 46.4 SGD以外的優(yōu)化方法
  205. 步驟47 softmax函數(shù)和交叉熵誤差
  206. 47.1 用于切片操作的函數(shù)
  207. 47.2 softmax函數(shù)
  208. 47.3 交叉熵誤差
  209. 步驟48 多分類
  210. 48.1 螺旋數(shù)據(jù)集
  211. 48.2 用于訓(xùn)練的代碼
  212. 步驟49 Dataset類和預(yù)處理
  213. 49.1 Dataset類的實(shí)現(xiàn)
  214. 49.2 大型數(shù)據(jù)集的情況
  215. 49.3 數(shù)據(jù)的連接
  216. 49.4 用于訓(xùn)練的代碼
  217. 49.5 數(shù)據(jù)集的預(yù)處理
  218. 步驟50 用于取出小批量數(shù)據(jù)的DataLoader
  219. 50.1 什么是迭代器
  220. 50.2 使用DataLoader
  221. 50.3 accuracy函數(shù)的實(shí)現(xiàn)
  222. 50.4 螺旋數(shù)據(jù)集的訓(xùn)練代碼
  223. 步驟51 MINST的訓(xùn)練
  224. 51.1 MNIST數(shù)據(jù)集
  225. 51.2 訓(xùn)練MNIST
  226. 51.3 改進(jìn)模型
  227. 第5階段 DeZero高級(jí)挑戰(zhàn)
  228. 步驟52 支持GPU
  229. 52.1 CuPy的安裝和使用方法
  230. 52.2 cuda模塊
  231. 52.3 向Variable/Layer/DataLoader類添加代碼
  232. 52.4 函數(shù)的相應(yīng)修改
  233. 52.5 在GPU上訓(xùn)練MNIST
  234. 步驟53 模型的保存和加載
  235. 53.1 NumPy的save函數(shù)和load函數(shù)
  236. 53.2 Layer類參數(shù)的扁平化
  237. 53.3 Layer類的save函數(shù)和load函數(shù)
  238. 步驟54 Dropout和測試模式
  239. 54.1 什么是Dropout
  240. 54.2 Inverted Dropout
  241. 54.3 增加測試模式
  242. 54.4 Dropout的實(shí)現(xiàn)
  243. 步驟55 CNN的機(jī)制（1）
  244. 55.1 CNN的網(wǎng)絡(luò)結(jié)構(gòu)
  245. 55.2 卷積運(yùn)算
  246. 55.3 填充
  247. 55.4 步幅
  248. 55.5 輸出大小的計(jì)算方法
  249. 步驟56 CNN的機(jī)制（2）
  250. 56.1 三階張量
  251. 56.2 結(jié)合方塊進(jìn)行思考
  252. 56.3 小批量處理
  253. 56.4 池化層
  254. 步驟57 conv2d函數(shù)和pooling函數(shù)
  255. 57.1 使用im2col展開
  256. 57.2 conv2d函數(shù)的實(shí)現(xiàn)
  257. 57.3 Conv2d層的實(shí)現(xiàn)
  258. 57.4 pooling 函數(shù)的實(shí)現(xiàn)
  259. 步驟58 具有代表性的CNN（VGG16）
  260. 58.1 VGG16的實(shí)現(xiàn)
  261. 58.2 已訓(xùn)練的權(quán)重?cái)?shù)據(jù)
  262. 58.3 使用已訓(xùn)練的VGG16
  263. 步驟59 使用RNN處理時(shí)間序列數(shù)據(jù)
  264. 59.1 RNN層的實(shí)現(xiàn)
  265. 59.2 RNN模型的實(shí)現(xiàn)
  266. 59.3 切斷連接的方法
  267. 59.4 正弦波的預(yù)測
  268. 步驟60 LSTM與數(shù)據(jù)加載器
  269. 60.1 用于時(shí)間序列數(shù)據(jù)的數(shù)據(jù)加載器
  270. 60.2 LSTM層的實(shí)現(xiàn)
  271. 附錄A in place運(yùn)算（步驟14的補(bǔ)充內(nèi)容）
  272. A.1 問題確認(rèn)
  273. A.2 關(guān)于復(fù)制和覆蓋
  274. A.3 DeZero的反向傳播
  275. 附錄B 實(shí)現(xiàn)get_item函數(shù)（步驟47的補(bǔ)充內(nèi)容）
  276. 附錄C 在Google Colaboratory上運(yùn)行
  277. 后記
  278. 參考文獻(xiàn)
書名：深度學(xué)習(xí)入門：自制框架
作者：齋藤康毅 著
譯者：鄭明智 譯
國內(nèi)出版社：人民郵電出版社
出版時(shí)間：2023年03月
頁數(shù)：480
書號(hào)：978-7-115-60751-5
原版書書名：Building Deep Learning Framework
原版書出版商：O'Reilly Media
齋藤康毅
 
1984年生于日本長崎縣，東京工業(yè)大學(xué)畢業(yè)，并完成東京大學(xué)研究生院課程。目前在某企業(yè)從事人工智能相關(guān)的研究和開發(fā)工作。著有《深度學(xué)習(xí)入門：基于Python的理論與實(shí)現(xiàn)》，同時(shí)也是Introducing Python、Python in Practice、The Elements of Computing Systems、Building Machine Learning Systems with Python的日文版譯者。
 
 
購買選項(xiàng)
定價(jià)：129.80元
書號(hào)：978-7-115-60751-5
出版社：人民郵電出版社