神经网络与深度学习：案例与实践

图书标准信息

• 作者 邱锡鹏 飞桨教材编写组 著说明：飞桨教材编写组是隶属于北京百度网讯科技有限公司的虚拟业务组织；其所有权利和义务归属北京百度网讯科技有限公司所有
• 出版社 机械工业出版社
• 出版时间 2022-07
• 版次 1
• ISBN 9787111711971
• 定价 99.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 336页
• 字数 487千字

【内容简介】

本书是《神经网络与深度学习》（蒲公英书）的配套实践书，由复旦大学邱锡鹏教授和百度飞桨团队合作完成。本书在章节设计上和《神经网络与深度学习》一一对应，并以模型解读 案例实践的形式进行介绍。模型解读主要聚焦如何从零开始一步步实现深度学习中的各种模型和算法，并结合简单的任务来加深读者对模型和算法的理解；案例实践主要强调如何使用飞桨预定义API来更好地完成实际任务，会涉及一些数据预处理问题。建议读者将本书和《神经网络与深度学习》结合阅读，在动手实践中更深入地理解深度学习的模型和原理。

【作者简介】

邱锡鹏

 

复旦大学计算机学院教授，国家优青获得者，主要从事自然语言处理、深度学习等方向的研究，发表CCF A/B类论文70余篇，获得ACL 2017杰出论文奖（CCF A类）、CCL 2019最佳论文奖、《中国科学：技术科学》2021年度高影响力论文奖，多篇论文入选PaperDigest发布的IJCAI/ACL/EMNLP的最有影响力论文，主持开发了开源框架FudanNLP和FastNLP，这两个框架已被国内外数百家单位使用。2015年入选首届中国科协青年人才托举工程，2018年获钱伟长中文信息处理科学技术奖青年创新奖，2020年获第四届上海高校青年教师教学竞赛优等奖，2021年获首届上海市计算机学会教学成果奖一等奖（第一完成人）。培养学生多次获得一级学会优博、微软学者、百度奖学金等。

 

飞桨教材编写组

成员包括：

安梦涛、毕然、迟恺、程军、吕健、李鹏、刘其文、林天扬、马艳军、文灿、吴高升、吴蕾、汪庆辉、吴甜、徐彤彤、于佃海、张翰迪、张一超、张亚娴

【目录】

序

前言

章 实践基础

1.1 如何运行本书的代码

1.1.1 本地运行

1.1.2 代码下载与使用方法

1.1.3 在线运行

1.2 张量

1.2.1 创建张量

1.2.2 张量的属

1.2.3 张量与numpy数组转换

1.2.4 张量的访问

1.2.5 张量的运算

1.3 算子

1.3.1 算子定义

1.3.2 自动微分机制

1.3.3 预定义的算子

1.3.4 本书中实现的算子

1.3.5 本书中实现的优化器

1.4 本书中使用的数据集和实现的dataset类

1.4.1 数据集

1.4.2 dataset类

1.5 本书中实现的runner类

1.6 小结

第2章 机器学概述

2.1 机器学实践五要素

2.1.1 数据

2.1.2 模型

2.1.3 学准则

2.1.4 优化算法

2.1.5 评价指标

2.2 实现一个简单的线回归模型

2.2.1 数据集构建

2.2.2 模型构建

2.2.3 损失函数

2.2.4 优化器

2.2.5 模型训练

2.2.6 模型评价

2.3 多项式回归

2.3.1 数据集构建：toysin25

2.3.2 模型构建

2.3.3 模型训练

2.3.4 模型评价

2.3.5 通过引入正则化项来缓解过拟合

2.4 构建runner类

2.5 实践：基于线回归的波士顿房价预测

2.5.1 数据处理

2.5.2 模型构建

2.5.3 完善runner类：runnerv1

2.5.4 模型训练

2.5.5 模型评价

2.5.6 模型预测

2.6 小结

第3章 线分类

3.1 基于logistic回归的二分类任务

3.1.1 数据集构建

3.1.2 模型构建

3.1.3 损失函数

3.1.4 模型优化

3.1.5 评价指标

3.1.6 完善runner类：runnerv2

3.1.7 模型训练

3.1.8 模型评价

3.2 基于softmax回归的多分类任务

3.2.1 数据集构建

3.2.2 模型构建

3.2.3 损失函数

第3章 线分类

3.1 基于logistic回归的二分类任务

3.1.1 数据集构建

3.1.2 模型构建

3.1.3 损失函数

3.1.4 模型优化

3.1.5 评价指标

3.1.6 完善runner类：runnerv2

3.1.7 模型训练

3.1.8 模型评价

3.2 基于softmax回归的多分类任务

3.2.1 数据集构建

3.2.2 模型构建

3.2.3 损失函数

3.2.4 模型优化

3.2.5 模型训练

3.2.6 模型评价

3.3 实践：基于softmax回归完成鸢尾花分类任务

3.3.1 数据处理

3.3.2 模型构建

3.3.3 模型训练

3.3.4 模型评价

3.3.5 模型预测

3.4 小结

第4章 前馈神经网络994.1神经元

4.1.1 净活值

4.1.2 激活函数

4.2 基于前馈神经网络的二分类任务

4.2.1 数据集构建

4.2.2 模型构建

4.2.3 损失函数

4.2.4 模型优化

4.2.5 完善runner类：runnerv2

4.2.6 模型训练

4.2.7 模型评价

4.3 自动梯度计算和预定义算子

4.3.1 利用预定义算子重新实现前馈神经网络

4.3.2 完善runner类：runnerv2

4.3.3 模型训练

4.3.4 模型评价

4.4 优化问题

4.4.1 参数初始化

4.4.2 梯度消失问题

4.4.3 relu问题

4.5 实践：基于前馈神经网络完成鸢尾花分类任务

4.5.1 小批量梯度下降法

4.5.2 数据处理

4.5.3 模型构建

4.5.4 完善runner类：runnerv3

4.5.5 模型训练

4.5.6 模型评价

4.5.7 模型预测

……