Python深度学习入门：从零构建CNN和RNN
郑天民 译
出版时间：2021年03月
页数：212
“无论你是否有经验，都可以借助这本书，从零开始理解和编码神经网络。”
——Pin-YuChen
IBM Research AI团队研究人员
深度学习技术的发展如火如荼，这些知识正迅速成为机器学习从业者甚至许多软件开发工程师的“加分项”。深度学习是一个立体的领域，仅从数学层面或代码层面学习，难免以偏概全，无法融会贯通。
本书作者认为，理解深度学习和神经网络需要多种思维模型。因此，本书从数学、示意图、Python代码三个维度帮助你立体地理解每一个概念，带你领略深度学习领域的全貌，从内到外地理解构建神经网络的每一步。你将学到以下内容。
● 为理解深度学习的概念和原理构建多种思维模型。
● 掌握嵌套函数、链式法则等数学概念。
● 掌握学习率衰减、权重初始化、dropout等优化技巧。
● 从零构建CNN和RNN等常见的神经网络架构。
● 使用PyTorch实现神经网络。
——Pin-YuChen
IBM Research AI团队研究人员
深度学习技术的发展如火如荼，这些知识正迅速成为机器学习从业者甚至许多软件开发工程师的“加分项”。深度学习是一个立体的领域，仅从数学层面或代码层面学习，难免以偏概全，无法融会贯通。
本书作者认为，理解深度学习和神经网络需要多种思维模型。因此，本书从数学、示意图、Python代码三个维度帮助你立体地理解每一个概念，带你领略深度学习领域的全貌，从内到外地理解构建神经网络的每一步。你将学到以下内容。
● 为理解深度学习的概念和原理构建多种思维模型。
● 掌握嵌套函数、链式法则等数学概念。
● 掌握学习率衰减、权重初始化、dropout等优化技巧。
● 从零构建CNN和RNN等常见的神经网络架构。
● 使用PyTorch实现神经网络。
- 第1章 基本概念
- 1.1 函数
- 1.2 导数
- 1.3 嵌套函数
- 1.4 链式法则
- 1.5 示例介绍
- 1.6 多输入函数
- 1.7 多输入函数的导数
- 1.8 多向量输入函数
- 1.9 基于已有特征创建新特征
- 1.10 多向量输入函数的导数
- 1.11 向量函数及其导数：再进一步
- 1.12 包含两个二维矩阵输入的计算图
- 1.13 有趣的部分：后向传递
- 1.14 小结
- 第2章 基本原理
- 2.1 监督学习概述
- 2.2 监督学习模型
- 2.3 线性回归
- 2.3.1 线性回归：示意图
- 2.3.2 线性回归：更有用的示意图和数学
- 2.3.3 加入截距项
- 2.3.4 线性回归：代码
- 2.4 训练模型
- 2.4.1 计算梯度：示意图
- 2.4.2 计算梯度：数学和一些代码
- 2.4.3 计算梯度：完整的代码
- 2.4.4 使用梯度训练模型
- 2.5 评估模型：训练集与测试集
- 2.6 评估模型：代码
- 2.7 从零开始构建神经网络
- 2.7.1 步骤1：一系列线性回归
- 2.7.2 步骤2：一个非线性函数
- 2.7.3 步骤3：另一个线性回归
- 2.7.4 示意图
- 2.7.5 代码
- 2.7.6 神经网络：后向传递
- 2.8 训练和评估第 一个神经网络
- 2.9 小结
- 第3章 从零开始深度学习
- 3.1 定义深度学习
- 3.2 神经网络的构成要素：运算
- 3.2.1 示意图
- 3.2.2 代码
- 3.3 神经网络的构成要素：层
- 3.4 在构成要素之上构建新的要素
- 3.4.1 层的蓝图
- 3.4.2 稠密层
- 3.5 NeuralNetwork类和其他类
- 3.5.1 示意图
- 3.5.2 代码
- 3.5.3 Loss类
- 3.6 从零开始构建深度学习模型
- 3.6.1 实现批量训练
- 3.6.2 NeuralNetwork：代码
- 3.7 优化器和训练器
- 3.7.1 优化器
- 3.7.2 训练器
- 3.8 整合
- 3.9 小结与展望
- 第4章 扩展
- 4.1 关于神经网络的一些直觉
- 4.2 softmax交叉熵损失函数
- 4.2.1 组件1：softmax函数
- 4.2.2 组件2：交叉熵损失
- 4.2.3 关于激活函数的注意事项
- 4.3 实验
- 4.3.1 数据预处理
- 4.3.2 模型
- 4.3.3 实验：softmax交叉熵损失函数
- 4.4 动量
- 4.4.1 理解动量
- 4.4.2 在Optimizer类中实现动量
- 4.4.3 实验：带有动量的随机梯度下降
- 4.5 学习率衰减
- 4.5.1 学习率衰减的类型
- 4.5.2 实验：学习率衰减
- 4.6 权重初始化
- 4.6.1 数学和代码
- 4.6.2 实验：权重初始化
- 4.7 dropout
- 4.7.1 定义
- 4.7.2 实现
- 4.7.3 实验：dropout
- 4.8 小结
- 第5章 CNN
- 5.1 神经网络与表征学习
- 5.1.1 针对图像数据的不同架构
- 5.1.2 卷积运算
- 5.1.3 多通道卷积运算
- 5.2 卷积层
- 5.2.1 实现意义
- 5.2.2 卷积层与全连接层的区别
- 5.2.3 利用卷积层进行预测：Flatten层
- 5.2.4 池化层
- 5.3 实现多通道卷积运算
- 5.3.1 前向传递
- 5.3.2 后向传递
- 5.3.3 批处理
- 5.3.4 二维卷积
- 5.3.5 最后一个元素：通道
- 5.4 使用多通道卷积运算训练CNN
- 5.4.1 Flatten运算
- 5.4.2 完整的Conv2D层
- 5.4.3 实验
- 5.5 小结
- 第6章 RNN
- 6.1 关键限制：处理分支
- 6.2 自动微分
- 6.3 RNN的动机
- 6.4 RNN简介
- 6.4.1 RNN的第 一个类：RNNLayer
- 6.4.2 RNN的第二个类：RNNNode
- 6.4.3 整合RNNNode类和RNNLayer类
- 6.4.4 后向传递
- 6.5 RNN：代码
- 6.5.1 RNNLayer类
- 6.5.2 RNNNode类的基本元素
- 6.5.3 vanilla RNNNode类
- 6.5.4 vanilla RNNNode类的局限性
- 6.5.5 GRUNode类
- 6.5.6 LSTMNode类
- 6.5.7 基于字符级RNN语言模型的数据表示
- 6.5.8 其他语言建模任务
- 6.5.9 组合RNNLayer类的变体
- 6.5.10 将全部内容整合在一起
- 6.6 小结
- 第7章 PyTorch
- 7.1 PyTorch Tensor
- 7.2 使用PyTorch进行深度学习
- 7.2.1 PyTorch元素：Model类及其Layer类
- 7.2.2 使用PyTorch实现神经网络基本要素：DenseLayer类
- 7.2.3 示例：基于PyTorch的波士顿房价模型
- 7.2.4 PyTorch元素：Optimizer类和Loss类
- 7.2.5 PyTorch元素：Trainer类
- 7.2.6 PyTorch优化学习技术
- 7.3 PyTorch中的CNN
- 7.4 PyTorch中的LSTM
- 7.5 后记：通过自编码器进行无监督学习
- 7.5.1 表征学习
- 7.5.2 应对无标签场景的方法
- 7.5.3 在PyTorch中实现自编码器
- 7.5.4 更强大的无监督学习测试及解决方案
- 7.6 小结
- 附录 深入探讨
- 关于作者
- 关于封面
书名：Python深度学习入门：从零构建CNN和RNN
作者：Seth Weidman 著
译者：郑天民 译
国内出版社：人民邮电出版社
出版时间：2021年03月
页数：212
书号：978-7-115-55564-9
原版书书名：Deep Learning from Scratch
原版书出版商：O'Reilly Media
本书封面上的动物是北非石鸡（Alectoris barbara）。它是一种鸟，分布在非洲北部及欧洲部分地区，如加那利群岛和直布罗陀等地，生活在森林、灌木丛和干旱环境中。现在，也可以在葡萄牙、意大利和西班牙找到其踪迹。
北非石鸡体形圆胖，重达约0.45千克，翼展约45.72厘米。相比飞行，它们更喜欢步行。它们的脖颈呈红褐色，带有白色斑点，腹部呈浅黄色，侧翼有白棕相间的条纹状羽毛，腿、喙和眼睛呈红色，其他部位呈浅灰色。
北非石鸡以种子、各种植物和昆虫为食。在春天，雌鸟在地上的巢里产10 ～ 16枚卵。它们的领地意识很强，经常叽叽喳喳地发出刺耳的叫声，宣告它们的“所有权”，这是它们的一个显著特征。目前，北非石鸡并未受到全球性的生存威胁。
北非石鸡体形圆胖，重达约0.45千克，翼展约45.72厘米。相比飞行，它们更喜欢步行。它们的脖颈呈红褐色，带有白色斑点，腹部呈浅黄色，侧翼有白棕相间的条纹状羽毛，腿、喙和眼睛呈红色，其他部位呈浅灰色。
北非石鸡以种子、各种植物和昆虫为食。在春天，雌鸟在地上的巢里产10 ～ 16枚卵。它们的领地意识很强，经常叽叽喳喳地发出刺耳的叫声，宣告它们的“所有权”，这是它们的一个显著特征。目前，北非石鸡并未受到全球性的生存威胁。
购买选项
|
© 2024，奥莱利技术咨询(北京)有限公司。版权所有。 传真: +86-10-88097463 京ICP备05003502号 |
|