深度学习入门到进阶套装共3册

全新正版现货

271.86 9.1折 298.6 全新

库存2件

四川成都

作者[日]斋藤康毅

出版社人民邮电出版社

ISBN9787115485588

出版时间2023-07

装帧平装

开本128开

纸张胶版纸

定价298.6元

货号410297079

上书时间2026-01-24

商品详情

品相描述：全新: 正版全新

商品描述

【编辑推荐】:

《深度学习入门基于Python的理论与实现》
1.日本深度学习入门书，原版上市不足2年印刷已达100 000册。长期位列日亚“人工智能”类图书榜前列，众多五星好评。
2.使用Python 3，尽量不依赖外部库或工具，从零创建一个深度学习模型。
3.示例代码清晰，源代码可下载，需要的运行环境非常简单。读者可以一边读书一边执行程序，简单易上手。
4.使用平实的语言，结合直观的插图和具体的例子，将深度学习的原理掰开揉碎讲解，简明易懂。
5.使用计算图介绍复杂的误差反向传播法，非常直观。
6.相比AI圣经“花书”，本书更合适入门。

《深度学习入门2：自制框架》
·“鱼书”《深度学习入门：基于Python的理论与实现》作者又一力作。手把手带你创建深度学习框架，直击现代深度学习框架本质！
·内容简明易懂，讲解详细
本书延续前作的行文风格，采用通俗的语言和大量直观的示意图详细讲解，帮助读者加深对PyTorch、TensorFlow和Chainer等现代深度学习框架的理解，进一步巩固Python编程和软件开发的相关知识。
·通过“从零创建”，剖析深度学习框架机制
本书会从零创建一个深度学习框架，让读者在运行程序的过程中了解深度学习框架中蕴藏的技术与机制。通过这样的体验，读者可了解到深度学习框架的本质。
·增量开发
本书将繁杂的深度学习框架的创建工作分为60个步骤完成，内容循序渐进，读者可在一步步的实践过程中获得正向的反馈结果，激发学习动力。《深度学习进阶自然语言处理》
豆瓣评分9.4，《深度学习入门：基于Python的理论与实现》续作，带你快速直达自然语言处理领域！
1.简明易懂
本书内容精炼，聚焦深度学习视角下的自然语言处理，延续前作的行文风格，采用通俗的语言和大量直观的示意图详细讲解，帮助读者加深对深度学习技术的理解，轻松入门自然语言处理。
2.侧重原理
不依赖外部库，使用Python 3从零开始创建深度学习程序，通过亲自创建程序并运行，读者可透彻掌握word2vec、RNN、LSTM、GRU、seq2seq和Attention等技术背后的运行原理。
3.学习曲线平缓
按照“文字介绍→代码实现→分析结果→发现问题→进行改善”的流程，逐步深入，读者只需具备基础的神经网络和Python知识，即可轻松读懂。
4.提供源代码，易学易用。
5.双色印刷，文字清晰明了。

【内容简介】:

《深度学习入门基于Python的理论与实现》
本书是深度学习的入门书，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疑难的问题。
本书适合深度学习初学者阅读，也可作为高校教材使用。

《深度学习入门2：自制框架》
深度学习框架中蕴藏着惊人的技术和有趣的机制，本书旨在揭开这些技术和机制的神秘面纱，帮助读者正确理解技术，体会它们的有趣之处。为此，本书会带领读者从零开始创建一个深度学习框架——DeZero。DeZero 是本书原创的框架，它用少的代码实现了现代深度学习框架的功能。本书分60 个步骤来完成这个框架，在此过程中，读者会加深对PyTorch、TensorFlow 和Chainer 等现代深度学习框架的理解，看清深度学习框架的本质。
本书沿袭《深度学习入门：基于Python 的理论与实现》的风格，语言通俗，代码简洁，讲解详细。在自制框架的过程中，读者还能进一步巩固Python 编程和软件开发相关的知识。
本书适合对深度学习框架感兴趣的读者阅读。

《深度学习进阶自然语言处理》
《深度学习进阶：自然语言处理》是《深度学习入门：基于Python 的理论与实现》的续作，围绕自然语言处理和时序数据处理，介绍深度学习中的重要技术，包括word2vec、RNN、LSTM、GRU、seq2seq 和Attention 等。本书语言平实，结合大量示意图和Python代码，按照“提出问题”“思考解决问题的新方法”“加以改善”的流程，基于深度学习解决自然语言处理相关的各种问题，使读者在此过程中更深入地理解深度学习中的重要技术。

【目录】:

《深度学习入门基于Python的理论与实现》
目录
译者序　xiii
前言　xv
第　1 章 Python入门　1
1.1　Python是什么　1
1.2　Python的安装　2
1.2.1　Python版本　2
1.2.2　使用的外部库　2
1.2.3　Anaconda发行版　3
1.3　Python解释器　4
1.3.1　算术计算　4
1.3.2　数据类型　5
1.3.3　变量　5
1.3.4　列表　6
1.3.5　字典　7
1.3.6　布尔型　7
1.3.7　if 语句　8
1.3.8　for 语句　8
1.3.9　函数　9
1.4　Python脚本文件　9
1.4.1　保存为文件　9
1.4.2　类　10
1.5　NumPy　11
1.5.1　导入NumPy　11
1.5.2　生成NumPy数组　12
1.5.3　NumPy 的算术运算　12
1.5.4　NumPy的N维数组　13
1.5.5　广播　14
1.5.6　访问元素　15
1.6　Matplotlib　16
1.6.1　绘制简单图形　16
1.6.2　pyplot 的功能　17
1.6.3　显示图像　18
1.7　小结　19
第　2 章感知机　21
2.1　感知机是什么　21
2.2　简单逻辑电路　23
2.2.1　与门　23
2.2.2　与非门和或门　23
2.3　感知机的实现　25
2.3.1　简单的实现　25
2.3.2　导入权重和偏置　26
2.3.3　使用权重和偏置的实现　26
2.4　感知机的局限性　28
2.4.1　异或门　28
2.4.2　线性和非线性　30
2.5　多层感知机　31
2.5.1　已有门电路的组合　31
2.5.2　异或门的实现　33
2.6　从与非门到计算机　35
2.7　小结　36
第3　章神经网络　37
3.1　从感知机到神经网络　37
3.1.1　神经网络的例子　37
3.1.2　复习感知机　38
3.1.3　激活函数登场　40
3.2　激活函数　42
3.2.1　sigmoid 函数　42
3.2.2　阶跃函数的实现　43
3.2.3　阶跃函数的图形　44
3.2.4　sigmoid 函数的实现　45
3.2.5　sigmoid 函数和阶跃函数的比较　46
3.2.6　非线性函数　48
3.2.7　ReLU函数　49
3.3　多维数组的运算　50
3.3.1　多维数组　50
3.3.2　矩阵乘法　51
3.3.3　神经网络的内积　55
3.4　3 层神经网络的实现　56
3.4.1　符号确认　57
3.4.2　各层间信号传递的实现　58
3.4.3　代码实现小结　62
3.5　输出层的设计　63
3.5.1　恒等函数和softmax 函数　64
3.5.2　实现softmax 函数时的注意事项　66
3.5.3　softmax 函数的特征　67
3.5.4　输出层的神经元数量　68
3.6　手写数字识别　69
3.6.1　MNIST数据集　70
3.6.2　神经网络的推理处理　73
3.6.3　批处理　75
3.7　小结　79
第4　章神经网络的学习　81
4.1　从数据中学习　81
4.1.1　数据驱动　82
4.1.2　训练数据和测试数据　84
4.2　损失函数　85
4.2.1　均方误差　85
4.2.2　交叉熵误差　87
4.2.3　mini-batch 学习　88
4.2.4　mini-batch 版交叉熵误差的实现　91
4.2.5　为何要设定损失函数　92
4.3　数值微分　94
4.3.1　导数　94
4.3.2　数值微分的例子　96
4.3.3　偏导数　98
4.4　梯度　100
4.4.1　梯度法　102
4.4.2　神经网络的梯度　106
4.5　学习算法的实现　109
4.5.1　2 层神经网络的类　110
4.5.2　mini-batch 的实现　114
4.5.3　基于测试数据的评价　116
4.6　小结　118
第5　章误差反向传播法　121
5.1　计算图　121
5.1.1　用计算图求解　122
5.1.2　局部计算　124
5.1.3　为何用计算图解题　125
5.2　链式法则　126
5.2.1　计算图的反向传播　127
5.2.2　什么是链式法则　127
5.2.3　链式法则和计算图　129
5.3　反向传播　130
5.3.1　加法节点的反向传播　130
5.3.2　乘法节点的反向传播　132
5.3.3　苹果的例子　133
5.4　简单层的实现　135
5.4.1　乘法层的实现　135
5.4.2　加法层的实现　137
5.5　激活函数层的实现　139
5.5.1　ReLU层　139
5.5.2　Sigmoid 层　141
5.6　Affine/Softmax层的实现　144
5.6.1　Affine层　144
5.6.2　批版本的Affine层　148
5.6.3　Softmax-with-Loss 层　150
5.7　误差反向传播法的实现　154
5.7.1　神经网络学习的全貌图　154
5.7.2　对应误差反向传播法的神经网络的实现　155
5.7.3　误差反向传播法的梯度确认　158
5.7.4　使用误差反向传播法的学习　159
5.8　小结　161
第6　章与学习相关的技巧　163
6.1　参数的更新　163
6.1.1　探险家的故事　164
6.1.2　SGD　164
6.1.3　SGD的缺点　166
6.1.4　Momentum　168
6.1.5　AdaGrad　170
6.1.6　Adam　172
6.1.7　使用哪种更新方法呢　174
6.1.8　基于MNIST数据集的更新方法的比较　175
6.2　权重的初始值　176
6.2.1　可以将权重初始值设为0 吗　176
6.2.2　隐藏层的激活值的分布　177
6.2.3　ReLU的权重初始值　181
6.2.4　基于MNIST数据集的权重初始值的比较　183
6.3　Batch Normalization　184
6.3.1　Batch Normalization 的算法　184
6.3.2　Batch Normalization 的评估　186
6.4　正则化　188
6.4.1　过拟合　189
6.4.2　权值衰减　191
6.4.3　Dropout　192
6.5　超参数的验证　195
6.5.1　验证数据　195
6.5.2　超参数的优化　196
6.5.3　超参数优化的实现　198
6.6　小结　200
第7　章卷积神经网络　201
7.1　整体结构　201
7.2　卷积层　202
7.2.1　全连接层存在的问题　203
7.2.2　卷积运算　203
7.2.3　填充　206
7.2.4　步幅　207
7.2.5　3 维数据的卷积运算　209
7.2.6　结合方块思考　211
7.2.7　批处理　213
7.3　池化层　214
7.4　卷积层和池化层的实现　216
7.4.1　4 维数组　216
7.4.2　基于im2col 的展开　217
7.4.3　卷积层的实现　219
7.4.4　池化层的实现　222
7.5　CNN的实现　224
7.6　CNN的可视化　228
7.6.1　第 1 层权重的可视化　228
7.6.2　基于分层结构的信息提取　230
7.7　具有代表性的CNN　231
7.7.1　LeNet　231
7.7.2　AlexNet　232
7.8　小结　233
第8　章深度学习　235
8.1　加深网络　235
8.1.1　向更深的网络出发　235
8.1.2　进一步提高识别精度　238
8.1.3　加深层的动机　240
8.2　深度学习的小历史　242
8.2.1　ImageNet　243
8.2.2　VGG　244
8.2.3　GoogLeNet　245
8.2.4　ResNet　246
8.3　深度学习的高速化　248
8.3.1　需要努力解决的问题　248
8.3.2　基于GPU的高速化　249
8.3.3　分布式学习　250
8.3.4　运算精度的位数缩减　252
8.4　深度学习的应用案例　253
8.4.1　物体检测　253
8.4.2　图像分割　255
8.4.3　图像标题的生成　256
8.5　深度学习的未来　258
8.5.1　图像风格变换　258
8.5.2　图像的生成　259
8.5.3　自动驾驶　261
8.5.4　Deep Q-Network（强化学习）　262
8.6　小结　264
附录A　Softmax-with-Loss 层的计算图　267
A.1　正向传播　268
A.2　反向传播　270
A.3　小结　277
参考文献　279

《深度学习入门2：自制框架》
前言                                 xvii
第 1阶段自动微分                    1
步骤1 作为“箱子”的变量            3
1.1 什么是变量                      3
1.2 实现Variable 类                   4
1.3 （补充）NumPy的多维数组        6
步骤2 创建变量的函数                8
2.1 什么是函数                      8
2.2 Function类的实现                  9
2.3 使用Function 类                 10
步骤3 函数的连续调用                13
3.1 Exp函数的实现                    13
3.2 函数的连续调用                   14
步骤4 数值微分                      16
4.1 什么是导数                      16
4.2 数值微分的实现                   17
4.3 复合函数的导数                   20
4.4 数值微分存在的问题               21
步骤5 反向传播的理论知识           22
5.1 链式法则                        22
5.2 反向传播的推导                   23
5.3 用计算图表示                     25
步骤6 手动进行反向传播              27
6.1 Variable 类的功能扩展             27
6.2 Function类的功能扩展              28
6.3 Square类和Exp类的功能扩展       28
6.4 反向传播的实现                   29
步骤7 反向传播的自动化              32
7.1 为反向传播的自动化创造条件      33
7.2 尝试反向传播                     36
7.3 增加backward方法                38
步骤8 从递归到循环                  40
8.1 现在的Variable 类                 40
8.2 使用循环实现                     41
8.3 代码验证                        42
步骤9 让函数更易用                  43
9.1 作为Python函数使用             43
9.2 简化backward方法                45
9.3 只支持ndarray                    46
步骤10 测试                        50
10.1 Python的单元测试               50
10.2 square函数反向传播的测试        52
10.3 通过梯度检验来自动测试         53
10.4 测试小结                       54
第 2阶段用自然的代码表达          59
步骤11 可变长参数（正向传播篇)     61
11.1 修改Function 类                62
11.2 Add类的实现                    64
步骤12 可变长参数（改进篇)          65
12.1 第 1 项改进：使函数更容易使用   65
12.2 第 2 项改进：使函数更容易实现   67
12.3 add函数的实现                  69
步骤13 可变长参数（反向传播篇)     70
13.1 支持可变长参数的Add类的反向传播      70
13.2 修改Variable 类                         71
13.3 Square类的实现                          73
步骤14 重复使用同一个变量                 75
14.1 问题的原因                             76
14.2 解决方案                              77
14.3 重置导数                              79
步骤15 复杂的计算图（理论篇）              81
15.1 反向传播的正确顺序                     82
15.2 当前的DeZero                          84
15.3 函数的优先                           87
步骤16 复杂的计算图（实现篇）              88
16.1 增加“辈分”变量                       88
16.2 按照“辈分”顺序取出元素              90
16.3 Variable 类的backward                    92
16.4 代码验证                              93
步骤17 内存管理和循环引用                 97
17.1 内存管理                              97
17.2 引用计数方式的内存管理                98
17.3 循环引用                              100
17.4 weakref模块                             102
17.5 代码验证                               104
步骤18 减少内存使用量的模式                106
18.1 不保留不必要的导数                      106
18.2 回顾Function 类                         109
18.3 使用Config类进行切换                    110
18.4 模式的切换                              111
18.5 使用with 语句切换                       112
步骤19 让变量更易用                         116
19.1 命名变量                               116
19.2 实例变量ndarray                         117
19.3 len函数和print 函数                     119
步骤20 运算符重载（1）                       122
20.1 Mul类的实现                             122
20.2 运算符重载                              125
......