• 动手学深度学习(精)
  • 动手学深度学习(精)
21年品牌 40万+商家 超1.5亿件商品

动手学深度学习(精)

全新正版 极速发货

122.9 7.3折 169 全新

仅1件

浙江嘉兴
认证卖家担保交易快速发货售后保障

作者阿斯顿·张//李沐//(美)扎卡里·C.立顿//(德)亚历山大·J.斯莫拉

出版社人民邮电

ISBN9787115505835

出版时间2019-06

装帧其他

开本其他

定价169元

货号30644728

上书时间2024-11-20

學源图书专营店

已实名 已认证 进店 收藏店铺

   商品详情   

品相描述:全新
商品描述
目录
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 

第 1 章 深度学习简介  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 

练习 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MXNet   11 

小结12 

练习12 

2.2 数据操作  12 

2.2.1 创建NDArray 12 

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 

2.2.6 NDArray和NumPy相互变换18 

小结19 

练习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 

练习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MXNet网站上查阅  23 

小结 24 

练习 24 

第3 章 深度学习基础  25 

3.1 线性回归 25 

3.1.1 线性回归的基本要素   25 

3.1.2 线性回归的表示方法   28 

小结 30 

练习 30 

3.2 线性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 定义优化算法  33 

3.2.7 训练模型  33 

小结 34 

练习 34 

3.3 线性回归的简洁实现  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 定义优化算法  37 

3.3.7 训练模型  37 

小结 38 

练习 38 

3.4 softmax回归  38 

3.4.1 分类问题   38 

3.4.2 softmax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 交叉熵损失函数 41 

3.4.6 模型预测及评价  42 

小结 42 

练习 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 

练习 45 

3.6 softmax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 

练习 49 

3.7 softmax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 

3.7.3 softmax和交叉熵损失函数   50 

3.7.4 定义优化算法  50 

3.7.5 训练模型  50 

小结 50 

练习 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 

练习 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 

练习 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 

练习 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 

练习 65 

3.12 权重衰减 65 

3.12.1 方法  65 

3.12.2 高维线性回归实验   66 

3.12.3 从零开始实现   66 

3.12.4 简洁实现   68 

小结 70 

练习 70 

3.13 丢弃法 70 

3.13.1 方法  70 

3.13.2 从零开始实现  71 

3.13.3 简洁实现   73 

小结 74 

练习 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 训练深度学习模型   76 

小结 77 

练习 77 

3.15 数值稳定性和模型初始化 77 

3.15.1 衰减和爆炸  77 

3.15.2 随机初始化模型参数   78 

小结 78 

练习 79 

3.16 实战Kaggle比赛:房价预测  79 

3.16.1 Kaggle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 

3.16.5 k 折交叉验证  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 

练习 85 

第4 章 深度学习计算  86 

4.1 模型构造 86 

4.1.1 继承Block类来构造模型   86 

4.1.2 Sequential类继承自Block类 87 

4.1.3 构造复杂的模型  88 

小结 89 

练习 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 自定义初始化方法  93 

4.2.4 共享模型参数  94 

小结 94 

练习 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 避免延后初始化  96 

小结 96 

练习 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 

练习 99 

4.5 读取和存储  99 

4.5.1 读写NDArray  99 

4.5.2 读写Gluon模型的参数  100 

小结 101 

练习 101 

4.6 GPU计算 101 

4.6.1 计算设备   102 

4.6.2 NDArray的GPU计算 102 

4.6.3 Gluon的GPU计算  104 

小结 105 

练习 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 通过数据学习核数组   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 

练习 110 

5.2 填充和步幅  111 

5.2.1 填充   111 

5.2.2 步幅  112 

小结 113 

练习 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 

5.3.3 1×1卷积层  116 

小结 117 

练习 117 

5.4 池化层  117 

5.4.1 二维最大池化层和平均池化层   117 

5.4.2 填充和步幅  119 

5.4.3 多通道  120 

小结 120 

练习 121 

5.5 卷积神经网络(LeNet)  121 

5.5.1 LeNet模型   121 

5.5.2 训练模型  122 

小结 124 

练习 124 

5.6 深度卷积神经网络(AlexNet)  124 

5.6.1 学习特征表示   125 

5.6.2 AlexNet  126 

5.6.3 读取数据集  127 

5.6.4 训练模型  128 

小结 128 

练习 129 

5.7 使用重复元素的网络(VGG) 129 

5.7.1 VGG块  129 

5.7.2 VGG网络   129 

5.7.3 训练模型  130 

小结 131 

练习 131 

5.8 网络中的网络(NiN)  131 

5.8.1 NiN块   131 

5.8.2 NiN模型   132 

5.8.3 训练模型  133 

小结 134 

练习 134 

5.9 含并行连结的网络(GoogLeNet) 134 

5.9.1 Inception块  134 

5.9.2 GoogLeNet模型   135 

5.9.3 训练模型  137 

小结 137 

练习 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LeNet   140 

5.10.4 简洁实现   141 

小结 142 

练习 142 

5.11 残差网络(ResNet)  143 

5.11.1 残差块  143 

5.11.2 ResNet模型  145 

5.11.3 训练模型 146 

小结 146 

练习 146 

5.12 稠密连接网络(DenseNet) 147 

5.12.1 稠密块  147 

5.12.2 过渡层   148 

5.12.3 DenseNet模型  148 

5.12.4 训练模型   149 

小结 149 

练习 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 

6.1.2 n 元语法   151 

小结 152 

练习 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 

练习 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 

练习 159 

6.4 循环神经网络的从零开始实现  159 

6.4.1 one-ht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 

练习 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 

练习 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 方法  169 

小结 170 

练习 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 

练习 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 

练习 182 

6.9 深度循环神经网络  182 

小结 183 

练习 183 

6.10 双向循环神经网络 183 

小结 184 

练习 184 

第7 章 优化算法  185 

7.1 优化与深度学习 185 

7.1.1 优化与深度学习的关系   185 

7.1.2 优化在深度学习中的挑战   186 

小结 188 

练习 189 

7.2 梯度下降和随机梯度下降  189 

7.2.1 一维梯度下降   189 

7.2.2 学习率  190 

7.2.3 多维梯度下降  191 

7.2.4 随机梯度下降  193 

小结 194 

练习 194 

7.3 小批量随机梯度下降  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 

练习 199 

7.4 动量法 200 

7.4.1 梯度下降的问题   200 

7.4.2 动量法  201 

·6· 目  录 

7.4.3 从零开始实现  203 

7.4.4 简洁实现  205 

小结 205 

练习 205 

7.5 AdaGrad算法206 

7.5.1 算法   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 

练习 209 

7.6 RMSProp算法 209 

7.6.1 算法   210 

7.6.2 从零开始实现  211 

7.6.3 简洁实现  212 

小结 212 

练习 212 

7.7 AdaDelta算法  212 

7.7.1 算法  212 

7.7.2 从零开始实现  213 

7.7.3 简洁实现  214 

小结 214 

练习 214 

7.8 Adam算法  215 

7.8.1 算法   215 

7.8.2 从零开始实现  216 

7.8.3 简洁实现  216 

小结 217 

练习 217 

第8 章 计算性能  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 

练习 224 

8.2 异步计算 224 

8.2.1 MXNet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性能  226 

8.2.4 异步计算对内存的影响  227 

小结 229 

练习 229 

8.3 自动并行计算 229 

8.3.1 CPU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 

练习 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 

练习 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 

练习 241 

第9 章 计算机视觉  242 

9.1 图像增广242 

   相关推荐   

—  没有更多了  —

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP