product iamge

深度学习入门：基于Python的理论与实现

This document was uploaded by one of our users. The uploader already confirmed that they had the permission to publish it. If you are author/publisher or own the copyright of this documents, please report to us by using this DMCA report form.

Download
Search on Amazon

Simply click on the Download Book button.

Yes, Book downloads on Ebookily are 100% Free.

Sometimes the book is free on Amazon As well, so go ahead and hit "Search on Amazon"

本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。

Author(s): 斋藤康毅
Series: 图灵程序设计丛书
Edition: 1st
Publisher: 人民邮电出版社
Year: 2018

Language: Chinese
Pages: 285

译者序
前言

第1章　Python入门
1.1 Python是什么
1.2 Python的安装
1.3 Python解释器
1.4 Python脚本文件
1.5 NumPy
1.6 Matplotlib
1.7 小结

第2章　感知机
2.1 感知机是什么
2.2 简单逻辑电路
2.3 感知机的实现
2.4 感知机的局限性
2.5 多层感知机
2.6 从与非门到计算机
2.7 小结

第3章　神经网络
3.1 从感知机到神经网络
3.2 激活函数
3.3 多维数组的运算
3.4 3层神经网络的实现
3.5 输出层的设计
3.6 手写数字识别
3.7 小结

第4章　神经网络的学习
4.1 从数据中学习
4.2 损失函数
4.3 数值微分
4.4 梯度
4.5 学习算法的实现
4.6 小结

第5章　误差反向传播法
5.1 计算图
5.2 链式法则
5.3 反向传播
5.4 简单层的实现
5.5 激活函数层的实现
5.6 AffineSoftmax层的实现
5.7 误差反向传播法的实现
5.8 小结

第6章　与学习相关的技巧
6.1 参数的更新
6.2 权重的初始值
6.3 Batch Normalization
6.4 正则化
6.5 超参数的验证
6.6 小结

第7章　卷积神经网络
7.1 整体结构
7.2 卷积层
7.3 池化层
7.4 卷积层和池化层的实现
7.5 CNN的实现
7.6 CNN的可视化
7.7 具有代表性的CNN
7.8 小结

第8章　深度学习
8.1 加深网络
8.2 深度学习的小历史
8.3 深度学习的高速化
8.4 深度学习的应用案例
8.5 深度学习的未来
8.6 小结

附录A　Softmax-with-Loss 层的计算图
A.1 正向传播
A.2 反向传播
A.3 小结
参考文献