动手学深度学习(正版书，塑封已开)

图书标准信息

• 作者 [美]阿斯顿·张 扎卡里·C. 立顿(Zachary（Aston Zhang) 李沐(Mu Li） 著
• 出版社 人民邮电出版社
• 出版时间 2019-06
• 版次 1
• ISBN 9787115490841
• 定价 85.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 412页
• 字数 653千字

【内容简介】

本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以下载并运行的 Jupyter记事本，它将文字、公式、图像、代码和运行结果结合在了一起。此外，读者还可以访问并参与书中内容的讨论。 

 

 

全书的内容分为3个部分：第一部分介绍深度学习的背景，提供预备知识，并包括深度学习基础的概念和技术；第二部分描述深度学习计算的重要组成部分，还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络；第三部分评价优化算法，检验影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。 

 

 

本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。

【作者简介】

阿斯顿.张（Aston Zhang）

 

 

 

美亚应用科学家，美国伊利诺伊大学香槟分校计算机科学博士，统计学和计算机科学双硕士。他专注于机器学习的研究，并在数个顶ji学术会议发表过论文。他担任过NeurIPS、ICML、KDD、WWW、WSDM、SIGIR、AAAI 等学术会议的程序委员或审稿人以及Frontiers in Big Data 期刊的编委。

 

 

 

李沐（Mu Li）

 

 

 

美亚首席科学家（Principal Scientist），加州大学伯克利分校客座助理教授，美国卡内基梅隆大学计算机系博士。他专注于分布式系统和机器学习算法的研究。他是深度学习框架MXNet 的作者之一。他曾任机器学习创业公司Marianas Labs 的CTO 和百度深度学习研究院的主任研发架构师。他在理论、机器学习、应用和操作系统等多个领域的顶ji学术会议（包括FOCS、ICML、NeurIPS、AISTATS、CVPR、KDD 、WSDM、OSDI）上发表过论文。 

 

 

 

扎卡里.C. 立顿（Zachary C. Lipton）

 

 

 

美亚应用科学家，美国卡内基梅隆大学助理教授，美国加州大学圣迭戈分校博士。他专注于机器学习算法及其社会影响的研究，特别是在时序数据与序列决策上的深度学习。这类工作有着广泛的应用场景，包括医疗诊断、对话系统和产品推荐。他创立了博客“Approximately Correct”（approximatelycorrect.com）。 

 

 

 

亚历山大.J. 斯莫拉（Alexander J. Smola）

 

 

 

美亚副总裁/ 杰出科学家，德国柏林工业大学计算机科学博士。他曾在澳大利亚国立大学、美国加州大学伯克利分校和卡内基梅隆大学任教。他发表了超过200 篇学术论文，并著有5 本书，其论文及书被引用超过10 万次。他的研究兴趣包括深度学习、贝叶斯非参数、核方法、统计建模和可扩展算法。

 

【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MXNet11

 

小结12

 

练习12

 

2.2数据操作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

 

3.4softmax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

 

3.6softmax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

 

练习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

 

3.16.1Kaggle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

 

4.1.2Sequential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NDArray99

 

4.5.2读写Gluon模型的参数100

 

小结101

 

练习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

 

5.3.31x1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

 

5.5.1LeNet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

 

5.6.2AlexNet126

 

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

 

5.7.1VGG块129

 

5.7.2VGG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

 

5.8.1NiN块131

 

5.8.2NiN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

 

5.9.1Inception块134

 

5.9.2GoogLeNet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LeNet140

 

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

 

5.11.2ResNet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

 

5.12.3DenseNet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

 

6.1.2n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

 

6.4.1one-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

 

7.4.3从零开始实现203

 

7.4.4简洁实现205

 

小结205

 

练习205

 

7.5AdaGrad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

 

7.6RMSProp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

 

7.7AdaDelta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

 

7.8Adam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

 

8.2.1MXNet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

 

8.3.1CPU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

 

9.1.1常用的图像增广方法243

 

9.1.2使用图像增广训练模型246

 

小结250

 

练习250

 

9.2微调250

 

热狗识别251

 

小结255

 

练习255

 

9.3目标检测和边界框255

 

边界框256

 

小结257

 

练习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

 

练习265

 

9.5多尺度目标检测265

 

小结268

 

练习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

 

练习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

 

练习278

 

9.8区域卷积神经网络（R-CNN）系列280

 

9.8.1R-CNN280

 

9.8.2Fast R-CNN281

 

9.8.3Faster R-CNN283

 

9.8.4Mask R-CNN284

 

小结285

 

练习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

 

练习290

 

9.10全卷积网络（FCN）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

 

练习297

 

9.11样式迁移298

 

9.11.1方法 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

 

练习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

 

练习313

 

9.13实战Kaggle比赛：狗的品种识别（ImageNetDogs）314

 

小结320

 

练习320

 

第10章自然语言处理321

 

10.1词嵌入（word2vec）321

 

小结325

 

练习325

 

10.2近似训练325

 

小结327

 

练习328

 

10.3word2vec的实现328

 

小结336

 

练习336

 

10.4子词嵌入（fastText）336

 

小结337

 

练习337

 

10.5全局向量的词嵌入（GloVe）337

 

小结340

 

练习340

 

10.6求近义词和类比词340

 

小结343

 

练习343

 

10.7文本情感分类：使用循环神经网络343

 

小结347

 

练习347

 

10.8文本情感分类：使用卷积神经网络（textCNN）347

 

小结353

 

练习353

 

10.9编码器-解码器（seq2seq）353

 

小结355

 

练习355

 

10.10束搜索355

 

小结358

 

练习358

 

10.11注意力机制358

 

小结361

 

练习361

 

10.12机器翻译361

 

小结369

 

练习369

 

附录A数学基础370

 

附录B使用Jupyter记事本376

 

附录C使用AWS运行代码381

 

附录DGPU购买指南388

 

附录E如何为本书做贡献391

 

附录Fd2lzh包索引395

 

附录G中英文术语对照表397

 

参考文献402

 

索引407