掃一掃
關(guān)注中圖網(wǎng)
官方微博
神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí):案例與實踐
作者：邱錫鵬，飛槳教材編寫組著
開本：
24cm
頁數(shù)：
12,321頁
本類榜單：計算機/網(wǎng)絡(luò)銷量榜
本類五星書更多>
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
深度學(xué)習(xí)
-
>
Unreal Engine 4藍(lán)圖完全學(xué)習(xí)教程
-
>
深入理解計算機系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應(yīng)用從入門到精通-(附贈1DVD.含語音視頻教學(xué)+辦公模板+PDF電子書)
神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí):案例與實踐 版權(quán)信息
- ISBN：9787111711971
- 條形碼：9787111711971 ; 978-7-111-71197-1
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí):案例與實踐 本書特色
豆瓣評分9.4、GitHub標(biāo)星1.57萬的“蒲公英書”實踐篇。復(fù)旦大學(xué)邱錫鵬教授、百度飛槳研發(fā)團(tuán)隊聯(lián)袂奉獻(xiàn)。
神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí):案例與實踐 內(nèi)容簡介
本書是《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)》(蒲公英書)的配套實踐書，由復(fù)旦大學(xué)邱錫鵬教授和百度飛槳團(tuán)隊合作完成。本書在章節(jié)設(shè)計上和《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)》一一對應(yīng)，并以模型解讀+案例實踐的形式進(jìn)行介紹。模型解讀主要聚焦如何從零開始一步步實現(xiàn)深度學(xué)習(xí)中的各種模型和算法，并結(jié)合簡單的任務(wù)來加深讀者對模型和算法的理解；案例實踐主要強調(diào)如何使用飛槳預(yù)定義API來更好地完成實際任務(wù)，會涉及一些數(shù)據(jù)預(yù)處理問題。建議讀者將本書和《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)》結(jié)合閱讀，在動手實踐中更深入地理解深度學(xué)習(xí)的模型和原理。
神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí):案例與實踐 目錄
序
前言
第1章實踐基礎(chǔ)1
1.1如何運行本書的代碼.2
1.1.1本地運行.2
1.1.2代碼下載與使用方法..3
1.1.3在線運行.4
1.2張量..6
1.2.1創(chuàng)建張量.6
1.2.2張量的屬性..9
1.2.3張量與Numpy數(shù)組轉(zhuǎn)換..13
1.2.4張量的訪問..13
1.2.5張量的運算..16
1.3算子..20
1.3.1算子定義.21
1.3.2自動微分機制..25
1.3.3預(yù)定義的算子..27
1.3.4本書中實現(xiàn)的算子..27
1.3.5本書中實現(xiàn)的優(yōu)化器..29
1.4本書中使用的數(shù)據(jù)集和實現(xiàn)的Dataset類..29
1.4.1數(shù)據(jù)集..29
1.4.2Dataset類..31
1.5本書中實現(xiàn)的Runner類.31
1.6小結(jié)..32
第2章機器學(xué)習(xí)概述33
2.1機器學(xué)習(xí)實踐五要素.34
2.1.1數(shù)據(jù)..35
2.1.2模型..36
2.1.3學(xué)習(xí)準(zhǔn)則.36
2.1.4優(yōu)化算法.37
2.1.5評價指標(biāo).37
2.2實現(xiàn)一個簡單的線性回歸模型..38
2.2.1數(shù)據(jù)集構(gòu)建..38
2.2.2模型構(gòu)建.40
2.2.3損失函數(shù).42
2.2.4優(yōu)化器..43
2.2.5模型訓(xùn)練.45
2.2.6模型評價.45
2.3多項式回歸..46
2.3.1數(shù)據(jù)集構(gòu)建：ToySin25..46
2.3.2模型構(gòu)建.48
2.3.3模型訓(xùn)練.49
2.3.4模型評價.50
2.3.5通過引入正則化項來緩解過擬合..52
2.4構(gòu)建Runner類..53
2.5實踐：基于線性回歸的波士頓房價預(yù)測.55
2.5.1數(shù)據(jù)處理.55
2.5.2模型構(gòu)建.62
2.5.3完善Runner類：RunnerV1.62
2.5.4模型訓(xùn)練.63
2.5.5模型評價.64
2.5.6模型預(yù)測.64
2.6小結(jié)..65
第3章線性分類67
3.1基于Logistic回歸的二分類任務(wù).68
3.1.1數(shù)據(jù)集構(gòu)建..69
3.1.2模型構(gòu)建.71
3.1.3損失函數(shù).73
3.1.4模型優(yōu)化.74
3.1.5評價指標(biāo).77
3.1.6完善Runner類：RunnerV2.77
3.1.7模型訓(xùn)練.80
3.1.8模型評價.82
3.2基于Softmax回歸的多分類任務(wù)..82
3.2.1數(shù)據(jù)集構(gòu)建..83
3.2.2模型構(gòu)建.86
3.2.3損失函數(shù).88
第3章線性分類67
3.1基于Logistic回歸的二分類任務(wù).68
3.1.1數(shù)據(jù)集構(gòu)建..69
3.1.2模型構(gòu)建.71
3.1.3損失函數(shù).73
3.1.4模型優(yōu)化.74
3.1.5評價指標(biāo).77
3.1.6完善Runner類：RunnerV2.77
3.1.7模型訓(xùn)練.80
3.1.8模型評價.82
3.2基于Softmax回歸的多分類任務(wù)..82
3.2.1數(shù)據(jù)集構(gòu)建..83
3.2.2模型構(gòu)建.86
3.2.3損失函數(shù).88
3.2.4模型優(yōu)化.89
3.2.5模型訓(xùn)練.91
3.2.6模型評價.92
3.3實踐：基于Softmax回歸完成鳶尾花分類任務(wù).92
3.3.1數(shù)據(jù)處理.93
3.3.2模型構(gòu)建.95
3.3.3模型訓(xùn)練.96
3.3.4模型評價.96
3.3.5模型預(yù)測.97
3.4小結(jié)..97
第4章前饋神經(jīng)網(wǎng)絡(luò)994.1神經(jīng)元.99
4.1.1凈活性值.100
4.1.2激活函數(shù).101
4.2基于前饋神經(jīng)網(wǎng)絡(luò)的二分類任務(wù)..104
4.2.1數(shù)據(jù)集構(gòu)建..105
4.2.2模型構(gòu)建.105
4.2.3損失函數(shù).108
4.2.4模型優(yōu)化.109
4.2.5完善Runner類：RunnerV2_1..115
4.2.6模型訓(xùn)練.117
4.2.7模型評價.118
4.3自動梯度計算和預(yù)定義算子.119
4.3.1利用預(yù)定義算子重新實現(xiàn)前饋神經(jīng)網(wǎng)絡(luò)..119
4.3.2完善Runner類：RunnerV2_2..120
4.3.3模型訓(xùn)練.122
4.3.4模型評價.124
4.4優(yōu)化問題.124
4.4.1參數(shù)初始化..124
4.4.2梯度消失問題..126
4.4.3死亡ReLU問題.129
4.5實踐：基于前饋神經(jīng)網(wǎng)絡(luò)完成鳶尾花分類任務(wù).130
4.5.1小批量梯度下降法..130
4.5.2數(shù)據(jù)處理.132
4.5.3模型構(gòu)建.133
4.5.4完善Runner類：RunnerV3.135
4.5.5模型訓(xùn)練.140
4.5.6模型評價.142
4.5.7模型預(yù)測.142
第5章卷積神經(jīng)網(wǎng)絡(luò)145
5.1卷積..146
5.1.1二維卷積運算..146
5.1.2二維卷積算子..147
5.1.3卷積的變種..148
5.1.4帶步長和零填充的二維卷積算子..149
5.1.5使用卷積運算完成圖像邊緣檢測任務(wù).151
5.2卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)算子..152
5.2.1卷積層算子..152
5.2.2匯聚層算子..156
5.3基于LeNet實現(xiàn)手寫體數(shù)字識別任務(wù)..157
5.3.1數(shù)據(jù)集構(gòu)建..158
5.3.2模型構(gòu)建.161
5.3.3模型訓(xùn)練.164
5.3.4模型評價.165
5.3.5模型預(yù)測.165
5.4基于殘差網(wǎng)絡(luò)的手寫體數(shù)字識別..166
5.4.1模型構(gòu)建.167
5.4.2沒有殘差連接的ResNet18.173
5.4.3帶殘差連接的ResNet18.174
5.5實踐：基于ResNet18網(wǎng)絡(luò)完成圖像分類任務(wù)..175
5.5.1數(shù)據(jù)處理.176
5.5.2模型構(gòu)建.179
5.5.3模型訓(xùn)練.179
5.5.4模型評價.181
5.5.5模型預(yù)測.181
5.6小結(jié)..182
第6章循環(huán)神經(jīng)網(wǎng)絡(luò)183
6.1循環(huán)神經(jīng)網(wǎng)絡(luò)的記憶能力實驗..184
6.1.1數(shù)據(jù)集構(gòu)建..185
6.1.2模型構(gòu)建.189
6.1.3模型訓(xùn)練.194
6.1.4模型評價.196
6.2梯度爆炸實驗.196
6.2.1梯度打印函數(shù)..197
6.2.2復(fù)現(xiàn)梯度爆炸問題..197
6.2.3使用梯度截斷解決梯度爆炸問題..199
6.3LSTM的記憶能力實驗..200
6.3.1模型構(gòu)建.202
6.3.2模型訓(xùn)練.204
6.3.3模型評價.206
6.4實踐：基于雙向LSTM模型完成文本分類任務(wù).207
6.4.1數(shù)據(jù)處理.207
6.4.2模型構(gòu)建.212
6.4.3模型訓(xùn)練.214
6.4.4模型評價.215
6.4.5模型預(yù)測.216
6.5小結(jié)..216
第7章網(wǎng)絡(luò)優(yōu)化與正則化217
7.1小批量梯度下降法..218
7.2批大小的調(diào)整實驗..218
7.3不同優(yōu)化算法的比較分析..221
7.3.1優(yōu)化算法的實驗設(shè)定..222
7.3.2學(xué)習(xí)率調(diào)整..229
7.3.3梯度估計修正..235
7.3.4不同優(yōu)化器的3D可視化對比..240
7.4參數(shù)初始化..244
7.4.1基于固定方差的參數(shù)初始化.244
7.4.2基于方差縮
展開全部
神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí):案例與實踐 作者簡介
邱錫鵬，復(fù)旦大學(xué)計算機學(xué)院教授，國家優(yōu)青獲得者，于復(fù)旦大學(xué)獲得理學(xué)學(xué)士和理學(xué)博士學(xué)位。主要從事自然語言處理、深度學(xué)習(xí)等方向的研究，發(fā)表CCF A/B類論文70余篇，獲得ACL 2017杰出論文獎（CCF A類）、CCL 2019最佳論文獎，有4篇論文入選PaperDigest發(fā)布的IJCAI/ACL/EMNLP的最有影響力論文（各會議每年10篇）。主持開發(fā)了開源框架FudanNLP和FastNLP，這兩個框架已被國內(nèi)外數(shù)百家單位使用。2015年入選首屆中國科協(xié)青年人才托舉工程，2018年獲錢偉長中文信息處理科學(xué)技術(shù)獎青年創(chuàng)新獎一等獎，2020和2021年連續(xù)兩年入選由清華-中國工程院知識智能聯(lián)合研究中心發(fā)布的“AI 2000人工智能Q球Z具影響力提名學(xué)者”等。培養(yǎng)的學(xué)生曾獲中國中文信息學(xué)會優(yōu)博、中國人工智能學(xué)會優(yōu)博、上海市優(yōu)博、微軟學(xué)者、百度獎學(xué)金等。 飛槳教材編寫組成員包括：安夢濤、畢然、遲愷、程軍、呂健、李鵬、劉其文、林天揚、馬艷軍、文燦、吳高升、吳蕾、汪慶輝、吳甜、徐彤彤、于佃海、張翰迪、張一超、張亞嫻
書友推薦
- >
姑媽的寶刀
- >
羅庸西南聯(lián)大授課錄
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
煙與鏡
- >
【精裝繪本】畫給孩子的中國神話
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
李白與唐代文化
- >
有舍有得是人生
本類暢銷
