Python深度學習
作者：（印）尼基爾·蓋德卡爾 杜長營 蘇輝 譯
定價：59元
印次：1-1
ISBN：9787302512875
出版日期：2018.11.01
印刷日期：2018.11.13
本書詳細闡述了與Python深度學習相關的基本解決方案，主要包括深度學習介紹、機器學習基礎、前饋神經網路、Theano 介紹、卷積神經網路、遞歸神經網路、Keras介紹、隨機梯度下降、自動求導、GPU介紹等內容。此外，本書還提供了豐富的示例及代碼，幫助讀者進一步理解相關方案的實現過程。本書既適合作為高等院校計算機及相關專業的教材和教學參考書，也可作為相關開發人員的自學教材和參考手冊。
目 錄
第1章 深度學習介紹 1
1.1 歷史背景 1
1.2 相關領域的進展 3
1.3 先決條件 3
1.4 後續章節概述 4
1.5 安裝所需函式館 4
第2章 機器學習基礎 5
2.1 直覺 5
2.2 二元分類 5
2.3 回歸 6
2.4 泛化 7
2.5 正規化 12
2.6 總結 14
第3章 前饋神經網路 15
3.1 單元 15
3.1.1 神經網路的整體結構 16
3.1.2 用向量形式表示神經網路 17
3.1.3 評估神經網路的輸出 18
3.1.4 神經網路訓練 19
3.2 使用極大似然估計成本函式 20
3.2.1 二元交叉熵 20
3.2.2 交叉熵 21
3.2.3 平方差 21
3.2.4 損失函式總結 22
3.3 單元/激活函式/層的類型 22
3.3.1 線性單元 23
3.3.2 Sigmoid單元 23
3.3.3 Softmax層 23
3.3.4 線性整流函式 24
3.3.5 雙曲正切 25
3.4 用AutoGrad手寫神經網路 25
3.5 總結 27
第4章 Theano介紹 28
4.1 什麼是Theano 28
4.2 上手Theano 28
4.3 總結 50
第5章 卷積神經網路 52
5.1 卷積操作 52
5.2 池化操作 56
5.3 卷積-探測-池化 57
5.4 其他卷積 59
5.5 CNN背後的直覺 61
5.6 總結 61
第6章 遞歸神經網路62 6.1 RNN基礎62 6.2 訓練RNN65 6.3 雙向RNN69 6.4 梯度爆炸和梯度消失72 6.5 梯度削減72 6.6 長短期記憶73 6.7 總結75 第7章 Keras介紹76 7.1 單層神經網路76 7.2 兩層神經網路77 7.2.1 用於多元分類的兩層神經網路79 7.2.2 兩層神經網路的回歸80 7.3 Keras快速疊代82 7.3.1 使用Keras構建卷積神經網路（CNN）85 7.3.2 使用Keras構建LSTM88 7.4 總結90 第8章 隨機梯度下降91 8.1 最佳化問題91 8.2 最速下降的方法92 8.3 批量，隨機（單例和迷你批）下降93 8.3.1 批量93 8.3.2 隨機單例93 8.3.3 隨機迷你批93 8.3.4 批量VS隨機93 8.4 SGD的挑戰94 8.4.1 局部最小值94 8.4.2 鞍點94 8.4.3 選擇學習速率95 8.4.4 窄谷中進展緩慢96 8.5 SGD的算法變體97 8.5.1 動量97 8.5.2 Nesterov加速梯度（NAS）97 8.5.3 退火和學習速率計畫?98 8.5.4 Adagrad98 8.5.5 RMSProp99 8.5.6 Adadelta99 8.5.7 Adam99 8.5.8 彈性反向傳播100 8.5.9 平衡SGD100 8.6 使用SGD的技巧和提示100 8.6.1 輸入數據預處理101 8.6.2 激活函式的選擇101 8.6.3 預處理目標值101 8.6.4 參數初始化102 8.6.5 打散數據102 8.6.6 批標準化102 8.6.7 提前停止102 8.6.8 梯度噪聲102 8.7 並行和分散式SGD103 8.7.1 Hogwild103 8.7.2 Downpour103 8.8 用Downhill動手實踐SGD104 8.9 總結109 第9章 自動求導110 9.1 數值求導110 9.2 符號求導111 9.3 自動求導基礎112 9.3.1 正向/正切線性模型113 9.3.2 反向/餘切/伴隨線性模式115 9.3.3 自動求導實現117 9.4 原始碼轉換117 9.5 運算符重載117 9.6 用Autograd實現自動求導118 9.7 總結122 第10章GPU介紹123 10.1 基於GPU計算的關鍵要素123 10.2 OpenCL系統物理視圖124 10.3 OpenCL系統的邏輯視圖125 10.4 OpenCL設備上的邏輯記憶體空間126 10.5 OpenCL設備的編程模型127 10.6 索引的符號128 10.7 總結132
