动手学深度学 人工智能 阿斯顿·张(aston zhang) 等 新华正版
人工智能 新华书店全新正版书籍 支持7天无理由
￥ 36.23 4.3折 ￥ 85 全新
库存120件
河北保定
认证卖家担保交易快速发货售后保障
作者阿斯顿·张(aston zhang) 等
出版社人民邮电出版社
ISBN9787115490841
出版时间2019-06
版次1
装帧平装
开本16开
页数412页
字数653千字
定价85元
货号xhwx_1201879967
上书时间2023-08-07
- 最新上架
商品详情
- 品相描述：全新
- 正版特价新书
- 商品描述
-
目录：
对本书的赞誉
前言
如何使用本书
资源与支持
主要符号表
章 深度学简介1
1.1起源2
1.2发展4
1.3成功案例6
1.4特点7
小结8
练8
第2 章 预备知识9
2.1获取和运行本书的代码9
2.1.1获取代码并安装运行环境9
2.1.2更新代码和运行环境11
2.1.3使用gpu版的mx11
小结12
练12
2.2数据作12
2.2.1创建ndarray12
2.2.2运算14
2.2.3广播机制16
2.2.4索引17
2.2.5运算的内存开销17
2.2.6ndarray和numpy相互变换18
小结19
练19
2.3自动求梯度19
2.3.1简单例子19
2.3.2训练模式和预测模式20
2.3.3对python控制流求梯度20
小结21
练21
2.4查阅文档21
2.4.1查找模块里的所有函数和类21
2.4.2查找特定函数和类的使用22
2.4.3在mx上查阅23
小结24
练24
第3章 深度学基础25
3.1线回归25
3.1.1线回归的基本要素25
3.1.2线回归的表示方28
小结30
练30
3.2线回归的从零开始实现30
3.2.1生成数据集30
3.2.2读取数据集32
3.2.3初始化模型参数32
3.2.4定义模型33
3.2.5定义损失函数33
3.2.6定义优化算33
3.2.7训练模型33
小结34
练34
3.3线回归的简洁实现35
3.3.1生成数据集35
3.3.2读取数据集35
3.3.3定义模型36
3.3.4初始化模型参数36
3.3.5定义损失函数37
3.3.6定义优化算37
3.3.7训练模型37
小结38
练38
3.4softmax回归38
3.4.1分类问题38
3.4.2softmax回归模型39
3.4.3单样本分类的矢量计算表达式40
3.4.4小批量样本分类的矢量计算表达式40
3.4.5交熵损失函数41
3.4.6模型预测及评价42
小结42
练42
3.5图像分类数据集（fashion-mnist）42
3.5.1获取数据集42
3.5.2读取小批量44
小结45
练45
3.6softmax回归的从零开始实现45
3.6.1读取数据集45
3.6.2初始化模型参数45
3.6.3实现softmax运算46
3.6.4定义模型46
3.6.5定义损失函数47
3.6.6计算分类准确率47
3.6.7训练模型48
3.6.8预测48
小结49
练49
3.7softmax回归的简洁实现49
3.7.1读取数据集49
3.7.2定义和初始化模型50
3.7.3softmax和交熵损失函数50
3.7.4定义优化算50
3.7.5训练模型50
小结50
练50
3.8多层感知机51
3.8.1隐藏层51
3.8.2激活函数52
3.8.3多层感知机55
小结55
练55
3.9多层感知机的从零开始实现56
3.9.1读取数据集56
3.9.2定义模型参数56
3.9.3定义激活函数56
3.9.4定义模型56
3.9.5定义损失函数57
3.9.6训练模型57
小结57
练57
3.10多层感知机的简洁实现57
3.10.1定义模型58
3.10.2训练模型58
小结58
练58
3.11模型选择、欠拟合和过拟合58
3.11.1训练误差和泛化误差59
3.11.2模型选择59
3.11.3欠拟合和过拟合60
3.11.4多项式函数拟合实验61
小结65
练65
3.12权重衰减65
3.12.1方65
3.12.2高维线回归实验66
3.12.3从零开始实现66
3.12.4简洁实现68
小结70
练70
3.13丢弃70
3.13.1方70
3.13.2从零开始实现71
3.13.3简洁实现73
小结74
练74
3.14正向传播、反向传播和计算图74
3.14.1正向传播74
3.14.2正向传播的计算图75
3.14.3反向传播75
3.14.4训练深度学模型76
小结77
练77
3.15数值稳定和模型初始化77
3.15.1衰减和爆炸77
3.15.2初始化模型参数78
小结78
练79
3.16实战kaggle比赛：房价预测79
3.16.1kaggle比赛79
3.16.2读取数据集80
3.16.3预处理数据集81
3.16.4训练模型82
3.16.5k 折交验证82
3.16.6模型选择83
3.16.7预测并在kaggle提交结果84
小结85
练85
第4章 深度学计算86
4.1模型构造86
4.1.1继承block类来构造模型86
4.1.2sequential类继承自block类87
4.1.3构造复杂的模型88
小结89
练90
4.2模型参数的访问、初始化和共享90
4.2.1访问模型参数90
4.2.2初始化模型参数92
4.2.3自定义初始化方93
4.2.4共享模型参数94
小结94
练94
4.3模型参数的延后初始化95
4.3.1延后初始化95
4.3.2避延后初始化96
小结96
练97
4.4自定义层97
4.4.1不含模型参数的自定义层97
4.4.2含模型参数的自定义层98
小结99
练99
4.5读取和存储99
4.5.1读写ndarray99
4.5.2读写gluon模型的参数100
小结101
练101
4.6gpu计算101
4.6.1计算设备102
4.6.2ndarray的gpu计算102
4.6.3gluon的gpu计算104
小结105
练105
第5章 卷积神经网络106
5.1二维卷积层106
5.1.1二维互相关运算106
5.1.2二维卷积层107
5.1.3图像中物体边缘检测108
5.1.4通过数据学核数组109
5.1.5互相关运算和卷积运算109
5.1.6特征图和感受野110
小结110
练110
5.2填充和步幅111
5.2.1填充111
5.2.2步幅112
小结113
练113
5.3多输入通道和多输出通道114
5.3.1多输入通道114
5.3.2多输出通道115
5.3.31×1卷积层116
小结117
练117
5.4池化层117
5.4.1二维优选池化层和均池化层117
5.4.2填充和步幅119
5.4.3多通道120
小结120
练121
5.5卷积神经网络（le）121
5.5.1le模型121
5.5.2训练模型122
小结124
练124
5.6深度卷积神经网络（alex）124
5.6.1学特征表示125
5.6.2alex126
5.6.3读取数据集127
5.6.4训练模型128
小结128
练129
5.7使用重复元素的网络（vgg）129
5.7.1vgg块129
5.7.2vgg网络129
5.7.3训练模型130
小结131
练131
5.8网络中的网络（nin）131
5.8.1nin块131
5.8.2nin模型132
5.8.3训练模型133
小结134
练134
5.9含并行连结的网络（google）134
5.9.1inception块134
5.9.2google模型135
5.9.3训练模型137
小结137
练137
5.10批量归一化138
5.10.1批量归一化层138
5.10.2从零开始实现139
5.10.3使用批量归一化层的le140
5.10.4简洁实现141
小结142
练142
5.11残差网络（res）143
5.11.1残差块143
5.11.2res模型145
5.11.3训练模型146
小结146
练146
5.12稠密连接网络（dense）147
5.12.1稠密块147
5.12.2过渡层148
5.12.3dense模型148
5.12.4训练模型149
小结149
练149
第6章 循环神经网络150
6.1语言模型150
6.1.1语言模型的计算151
6.1.2n 元语151
小结152
练152
6.2循环神经网络152
6.2.1不含隐藏状态的神经网络152
6.2.2含隐藏状态的循环神经网络152
6.2.3应用：基于字符级循环神经网络的语言模型154
小结155
练155
6.3语言模型数据集（歌词）155
6.3.1读取数据集155
6.3.2建立字符索引156
6.3.3时序数据的采样156
小结158
练159
6.4循环神经网络的从零开始实现159
6.4.1one-hot向量159
6.4.2初始化模型参数160
6.4.3定义模型160
6.4.4定义预测函数161
6.4.5裁剪梯度161
6.4.6困惑度162
6.4.7定义模型训练函数162
6.4.8训练模型并创作歌词163
小结164
练164
6.5循环神经网络的简洁实现165
6.5.1定义模型165
6.5.2训练模型166
小结168
练168
6.6通过时间反向传播168
6.6.1定义模型168
6.6.2模型计算图169
6.6.3方169
小结170
练170
6.7门控循环单元（gru）170
6.7.1门控循环单元171
6.7.2读取数据集173
6.7.3从零开始实现173
6.7.4简洁实现175
小结176
练176
6.8长短期记忆（lstm）176
6.8.1长短期记忆176
6.8.2读取数据集179
6.8.3从零开始实现179
6.8.4简洁实现181
小结181
练182
6.9深度循环神经网络182
小结183
练183
6.10双向循环神经网络183
小结184
练184
第7章 优化算185
7.1优化与深度学185
7.1.1优化与深度学的关系185
7.1.2优化在深度学中的挑战186
小结188
练189
7.2梯度下降和梯度下降189
7.2.1一维梯度下降189
7.2.2学率190
7.2.3多维梯度下降191
7.2.4梯度下降193
小结194
练194
7.3小批量梯度下降194
7.3.1读取数据集195
7.3.2从零开始实现196
7.3.3简洁实现198
小结199
练199
7.4动量200
7.4.1梯度下降的问题200
7.4.2动量201
7.4.3从零开始实现203
7.4.4简洁实现205
小结205
练205
7.5adagrad算206
7.5.1算206
7.5.2特点206
7.5.3从零开始实现208
7.5.4简洁实现209
小结209
练209
7.6rmsprop算209
7.6.1算210
7.6.2从零开始实现211
7.6.3简洁实现212
小结212
练212
7.7adadelta算212
7.7.1算212
7.7.2从零开始实现213
7.7.3简洁实现214
小结214
练214
7.8adam算215
7.8.1算215
7.8.2从零开始实现216
7.8.3简洁实现216
小结217
练217
第8章 计算能218
8.1命令式和符号式混合编程218
8.1.1混合式编程取两者之长220
8.1.2使用hybridsequential类构造模型220
8.1.3使用hybridblock类构造模型222
小结224
练224
8.2异步计算224
8.2.1mx中的异步计算224
8.2.2用同步函数让前端等待计算结果226
8.2.3使用异步计算提升计算能226
8.2.4异步计算对内存的影响227
小结229
练229
8.3自动并行计算229
8.3.1cpu和gpu的并行计算230
8.3.2计算和通信的并行计算231
小结231
练231
8.4多gpu计算232
8.4.1数据并行232
8.4.2定义模型233
8.4.3多gpu之间同步数据234
8.4.4单个小批量上的多gpu训练236
8.4.5定义训练函数236
8.4.6多gpu训练实验237
小结237
练237
8.5多gpu计算的简洁实现237
8.5.1多gpu上初始化模型参数238
8.5.2多gpu训练模型239
小结241
练241
第9章 计算机视觉242
9.1图像增广242
9.1.1常用的图像增广方243
9.1.2使用图像增广训练模型246
小结250
练250
9.2微调250
热识别251
小结255
练255
9.3目标检测和边界框255
边界框256
小结257
练257
9.4锚框257
9.4.1生成多个锚框257
9.4.2交并比259
9.4.3标注训练集的锚框260
9.4.4输出预测边界框263
小结265
练265
9.5多尺度目标检测265
小结268
练268
9.6目标检测数据集（皮卡丘）268
9.6.1获取数据集269
9.6.2读取数据集269
9.6.3图示数据270
小结270
练271
9.7单发多框检测（ssd）271
9.7.1定义模型271
9.7.2训练模型275
9.7.3预测目标277
小结278
练278
9.8区域卷积神经网络（r-n）系列280
9.8.1r-n280
9.8.2fast r-n281
9.8.3faster r-n283
9.8.4mask r-n284
小结285
练285
9.9语义分割和数据集285
9.9.1图像分割和实例分割285
9.9.2pascal voc2012语义分割数据集286
小结290
练290
9.10全卷积网络（f）290
9.10.1转置卷积层291
9.10.2构造模型292
9.10.3初始化转置卷积层294
9.10.4读取数据集295
9.10.5训练模型296
9.10.6预测像素类别296
小结297
练297
9.11样式迁移298
9.11.1方298
9.11.2读取内容图像和样式图像299
9.11.3预处理和后处理图像300
9.11.4抽取特征301
9.11.5定义损失函数302
9.11.6创建和初始化合成图像303
9.11.7训练模型304
小结306
练306
9.12实战kaggle比赛：图像
分类（cifar-10）306
9.12.1获取和整理数据集307
9.12.2图像增广310
9.12.3读取数据集310
9.12.4定义模型311
9.12.5定义训练函数312
9.12.6训练模型312
9.12.7对测试集分类并在kaggle
提交结果313
小结313
练313
9.13实战kaggle比赛：的品种
识别（imagedogs）314
9.13.1获取和整理数据集315
9.13.2图像增广316
9.13.3读取数据集317
9.13.4定义模型318
9.13.5定义训练函数318
9.13.6训练模型319
9.13.7对测试集分类并在kaggle提交结果319
小结320
练320
0 章 自然语言处理321
10.1词嵌入（word2vec）321
10.1.1为何不采用one-hot向量321
10.1.2跳字模型322
10.1.3连续词袋模型323
小结325
练325
10.2近似训练325
10.2.1负采样325
10.2.2层序softmax326
小结327
练328
10.3word2vec的实现328
10.3.1预处理数据集328
10.3.2负采样331
10.3.3读取数据集331
10.3.4跳字模型332
10.3.5训练模型333
10.3.6应用词嵌入模型335
小结336
练336
10.4子词嵌入（fasttext）336
小结337
练337
10.5全局向量的词嵌入（glove）337
10.5.1glove模型338
10.5.2从条件概率比值理解glove模型339
小结340
练340
10.6求近义词和类比词340
10.6.1使用预训练的词向量340
10.6.2应用预训练词向量341
小结343
练343
10.7文本情感分类：使用循环神经网络343
10.7.1文本情感分类数据集343
10.7.2使用循环神经网络的模型345
小结347
练347
10.8文本情感分类：使用卷积神经网络（textn）347
10.8.1一维卷积层348
10.8.2时序优选池化层3
— 没有更多了 —
以下为对购买帮助不大的评价