动手学深度学习 = Dive into deep learning
阿斯顿·张(Aston Zhang), 李沐(Mu Li), [美] 扎卡里·C. 立顿(Zachary C. Lipton), [德] 亚历山大·J. 斯莫拉(Alexander J. Smola)XeTeX 0.99992
filepath:a_14629449.zip — md5:2da2f3932545a2ac651a8563f93b8d60 — filesize:212866366
filepath:a_14629449.zip — md5:2466e7cbak093e7cf818c807ecb1488c — filesize:212866366
filepath:a_14629449.zip — md5:35f139f4bj9f7fb55644878e2c5d6889 — filesize:212866366
filepath:14629449.zip — md5:a16a133405610d678b59b82051e33b4c — filesize:212864360
filepath:14629449.zip — md5:044248002oc1dedb50c07e2b02f275cf — filesize:212864360
filepath:/读秀/读秀4.0/读秀/4.0/数据库41-1/a_14629449.zip
filepath:///5.0/3/007/14629449.zip/14629449.zip
filepath:/读秀/读秀5.0/3/007/14629449.zip
2 (p1-1): 1.1 起源
4 (p1-2): 1.2 发展
6 (p1-3): 1.3 成功案例
7 (p1-4): 1.4 特点
8 (p1-5): 小结
8 (p1-6): 练习
9 (p2): 第2章 预备知识
9 (p2-1): 2.1 获取和运行本书的代码
9 (p2-1-1): 2.1.1 获取代码并安装运行环境
11 (p2-1-2): 2.1.2 更新代码和运行环境
11 (p2-1-3): 2.1.3 使用GPU版的MXNet
12 (p2-1-4): 小结
12 (p2-1-5): 练习
12 (p2-2): 2.2 数据操作
12 (p2-2-1): 2.2.1 创建NDArray
14 (p2-2-2): 2.2.2 运算
16 (p2-2-3): 2.2.3 广播机制
17 (p2-2-4): 2.2.4 索引
17 (p2-2-5): 2.2.5 运算的内存开销
18 (p2-2-6): 2.2.6 NDArray和NumPy相互变换
19 (p2-2-7): 小结
19 (p2-2-8): 练习
19 (p2-3): 2.3 自动求梯度
19 (p2-3-1): 2.3.1 简单例子
20 (p2-3-2): 2.3.2 训练模式和预测模式
20 (p2-3-3): 2.3.3 对Python控制流求梯度
21 (p2-3-4): 小结
21 (p2-3-5): 练习
21 (p2-4): 2.4 查阅文档
21 (p2-4-1): 2.4.1 查找模块里的所有函数和类
22 (p2-4-2): 2.4.2 查找特定函数和类的使用
23 (p2-4-3): 2.4.3 在MXNet网站上查阅
24 (p2-4-4): 小结
24 (p2-4-5): 练习
25 (p3): 第3章 深度学习基础
25 (p3-1): 3.1 线性回归
25 (p3-1-1): 3.1.1 线性回归的基本要素
28 (p3-1-2): 3.1.2 线性回归的表示方法
30 (p3-1-3): 小结
30 (p3-1-4): 练习
30 (p3-2): 3.2 线性回归的从零开始实现
30 (p3-2-1): 3.2.1 生成数据集
32 (p3-2-2): 3.2.2 读取数据集
32 (p3-2-3): 3.2.3 初始化模型参数
33 (p3-2-4): 3.2.4 定义模型
33 (p3-2-5): 3.2.5 定义损失函数
33 (p3-2-6): 3.2.6 定义优化算法
33 (p3-2-7): 3.2.7 训练模型
34 (p3-2-8): 小结
34 (p3-2-9): 练习
35 (p3-3): 3.3 线性回归的简洁实现
35 (p3-3-1): 3.3.1 生成数据集
35 (p3-3-2): 3.3.2 读取数据集
36 (p3-3-3): 3.3.3 定义模型
36 (p3-3-4): 3.3.4 初始化模型参数
37 (p3-3-5): 3.3.5 定义损失函数
37 (p3-3-6): 3.3.6 定义优化算法
37 (p3-3-7): 3.3.7 训练模型
38 (p3-3-8): 小结
38 (p3-3-9): 练习
38 (p3-4): 3.4 softmax回归
38 (p3-4-1): 3.4.1 分类问题
39 (p3-4-2): 3.4.2 softmax回归模型
40 (p3-4-3): 3.4.3 单样本分类的矢量计算表达式
40 (p3-4-4): 3.4.4 小批量样本分类的矢量计算表达式
41 (p3-4-5): 3.4.5 交叉熵损失函数
42 (p3-4-6): 3.4.6 模型预测及评价
42 (p3-4-7): 小结
42 (p3-4-8): 练习
42 (p3-5): 3.5 图像分类数据集(Fashion-MNIST)
42 (p3-5-1): 3.5.1 获取数据集
44 (p3-5-2): 3.5.2 读取小批量
45 (p3-5-3): 小结
45 (p3-5-4): 练习
45 (p3-6): 3.6 softmax回归的从零开始实现
45 (p3-6-1): 3.6.1 读取数据集
45 (p3-6-2): 3.6.2 初始化模型参数
46 (p3-6-3): 3.6.3 实现softmax运算
46 (p3-6-4): 3.6.4 定义模型
47 (p3-6-5): 3.6.5 定义损失函数
47 (p3-6-6): 3.6.6 计算分类准确率
48 (p3-6-7): 3.6.7 训练模型
48 (p3-6-8): 3.6.8 预测
49 (p3-6-9): 小结
49 (p3-6-10): 练习
49 (p3-7): 3.7 softmax回归的简洁实现
49 (p3-7-1): 3.7.1 读取数据集
50 (p3-7-2): 3.7.2 定义和初始化模型
50 (p3-7-3): 3.7.3 softmax和交叉熵损失函数
50 (p3-7-4): 3.7.4 定义优化算法
50 (p3-7-5): 3.7.5 训练模型
50 (p3-7-6): 小结
50 (p3-7-7): 练习
51 (p3-8): 3.8 多层感知机
51 (p3-8-1): 3.8.1 隐藏层
52 (p3-8-2): 3.8.2 激活函数
55 (p3-8-3): 3.8.3 多层感知机
55 (p3-8-4): 小结
55 (p3-8-5): 练习
56 (p3-9): 3.9 多层感知机的从零开始实现
56 (p3-9-1): 3.9.1 读取数据集
56 (p3-9-2): 3.9.2 定义模型参数
56 (p3-9-3): 3.9.3 定义激活函数
56 (p3-9-4): 3.9.4 定义模型
57 (p3-9-5): 3.9.5 定义损失函数
57 (p3-9-6): 3.9.6 训练模型
57 (p3-9-7): 小结
57 (p3-9-8): 练习
57 (p3-10): 3.10 多层感知机的简洁实现
58 (p3-10-1): 3.10.1 定义模型
58 (p3-10-2): 3.10.2 训练模型
58 (p3-10-3): 小结
58 (p3-10-4): 练习
58 (p3-11): 3.11 模型选择、欠拟合和过拟合
59 (p3-11-1): 3.11.1 训练误差和泛化误差
59 (p3-11-2): 3.11.2 模型选择
60 (p3-11-3): 3.11.3 欠拟合和过拟合
61 (p3-11-4): 3.11.4 多项式函数拟合实验
65 (p3-11-5): 小结
65 (p3-11-6): 练习
65 (p3-12): 3.12 权重衰减
65 (p3-12-1): 3.12.1 方法
66 (p3-12-2): 3.12.2 高维线性回归实验
66 (p3-12-3): 3.12.3 从零开始实现
68 (p3-12-4): 3.12.4 简洁实现
70 (p3-12-5): 小结
70 (p3-12-6): 练习
70 (p3-13): 3.13 丢弃法
70 (p3-13-1): 3.13.1 方法
71 (p3-13-2): 3.13.2 从零开始实现
73 (p3-13-3): 3.13.3 简洁实现
74 (p3-13-4): 小结
74 (p3-13-5): 练习
74 (p3-14): 3.14 正向传播、反向传播和计算图
74 (p3-14-1): 3.14.1 正向传播
75 (p3-14-2): 3.14.2 正向传播的计算图
75 (p3-14-3): 3.14.3 反向传播
76 (p3-14-4): 3.14.4 训练深度学习模型
77 (p3-14-5): 小结
77 (p3-14-6): 练习
77 (p3-15): 3.15 数值稳定性和模型初始化
77 (p3-15-1): 3.15.1 衰减和爆炸
78 (p3-15-2): 3.15.2 随机初始化模型参数
78 (p3-15-3): 小结
79 (p3-15-4): 练习
79 (p3-16): 3.16 实战Kaggle比赛:房价预测
79 (p3-16-1): 3.16.1 Kaggle比赛
80 (p3-16-2): 3.16.2 读取数据集
81 (p3-16-3): 3.16.3 预处理数据集
82 (p3-16-4): 3.16.4 训练模型
82 (p3-16-5): 3.16.5 k折交叉验证
83 (p3-16-6): 3.16.6 模型选择
84 (p3-16-7): 3.16.7 预测并在Kaggle提交结果
85 (p3-16-8): 小结
85 (p3-16-9): 练习
86 (p4): 第4章 深度学习计算
86 (p4-1): 4.1 模型构造
86 (p4-1-1): 4.1.1 继承Block类来构造模型
87 (p4-1-2): 4.1.2 Sequential类继承自Block类
88 (p4-1-3): 4.1.3 构造复杂的模型
89 (p4-1-4): 小结
90 (p4-1-5): 练习
90 (p4-2): 4.2 模型参数的访问、初始化和共享
90 (p4-2-1): 4.2.1 访问模型参数
92 (p4-2-2): 4.2.2 初始化模型参数
93 (p4-2-3): 4.2.3 自定义初始化方法
94 (p4-2-4): 4.2.4 共享模型参数
94 (p4-2-5): 小结
94 (p4-2-6): 练习
95 (p4-3): 4.3 模型参数的延后初始化
95 (p4-3-1): 4.3.1 延后初始化
96 (p4-3-2): 4.3.2 避免延后初始化
96 (p4-3-3): 小结
97 (p4-3-4): 练习
97 (p4-4): 4.4 自定义层
97 (p4-4-1): 4.4.1 不含模型参数的自定义层
98 (p4-4-2): 4.4.2 含模型参数的自定义层
99 (p4-4-3): 小结
99 (p4-4-4): 练习
99 (p4-5): 4.5 读取和存储
99 (p4-5-1): 4.5.1 读写NDArray
100 (p4-5-2): 4.5.2 读写Gluon模型的参数
101 (p4-5-3): 小结
101 (p4-5-4): 练习
101 (p4-6): 4.6 GPU计算
102 (p4-6-1): 4.6.1 计算设备
102 (p4-6-2): 4.6.2 NDArray的GPU计算
104 (p4-6-3): 4.6.3 Gluon的GPU计算
105 (p4-6-4): 小结
105 (p4-6-5): 练习
106 (p5): 第5章 卷积神经网络
106 (p5-1): 5.1 二维卷积层
106 (p5-1-1): 5.1.1 二维互相关运算
107 (p5-1-2): 5.1.2 二维卷积层
108 (p5-1-3): 5.1.3 图像中物体边缘检测
109 (p5-1-4): 5.1.4 通过数据学习核数组
109 (p5-1-5): 5.1.5 互相关运算和卷积运算
110 (p5-1-6): 5.1.6 特征图和感受野
110 (p5-1-7): 小结
110 (p5-1-8): 练习
111 (p5-2): 5.2 填充和步幅
111 (p5-2-1): 5.2.1 填充
112 (p5-2-2): 5.2.2 步幅
113 (p5-2-3): 小结
113 (p5-2-4): 练习
114 (p5-3): 5.3 多输入通道和多输出通道
114 (p5-3-1): 5.3.1 多输入通道
115 (p5-3-2): 5.3.2 多输出通道
116 (p5-3-3): 5.3.3 1×1卷积层
117 (p5-3-4): 小结
117 (p5-3-5): 练习
117 (p5-4): 5.4 池化层
117 (p5-4-1): 5.4.1 二维最大池化层和平均池化层
119 (p5-4-2): 5.4.2 填充和步幅
120 (p5-4-3): 5.4.3 多通道
120 (p5-4-4): 小结
121 (p5-4-5): 练习
121 (p5-5): 5.5 卷积神经网络(LeNet)
121 (p5-5-1): 5.5.1 LeNet模型
122 (p5-5-2): 5.5.2 训练模型
124 (p5-5-3): 小结
124 (p5-5-4): 练习
124 (p5-6): 5.6 深度卷积神经网络(AlexNet)
125 (p5-6-1): 5.6.1 学习特征表示
126 (p5-6-2): 5.6.2 AlexNet
127 (p5-6-3): 5.6.3 读取数据集
128 (p5-6-4): 5.6.4 训练模型
128 (p5-6-5): 小结
129 (p5-6-6): 练习
129 (p5-7): 5.7 使用重复元素的网络(VGG)
129 (p5-7-1): 5.7.1 VGG块
129 (p5-7-2): 5.7.2 VGG网络
130 (p5-7-3): 5.7.3 训练模型
131 (p5-7-4): 小结
131 (p5-7-5): 练习
131 (p5-8): 5.8 网络中的网络(NiN)
131 (p5-8-1): 5.8.1 NiN块
132 (p5-8-2): 5.8.2 NiN模型
133 (p5-8-3): 5.8.3 训练模型
134 (p5-8-4): 小结
134 (p5-8-5): 练习
134 (p5-9): 5.9 含并行连结的网络(GoogLeNet)
134 (p5-9-1): 5.9.1 Inception块
135 (p5-9-2): 5.9.2 GoogLeNet模型
137 (p5-9-3): 5.9.3 训练模型
137 (p5-9-4): 小结
137 (p5-9-5): 练习
138 (p5-10): 5.10 批量归一化
138 (p5-10-1): 5.10.1 批量归一化层
139 (p5-10-2): 5.10.2 从零开始实现
140 (p5-10-3): 5.10.3 使用批量归一化层的LeNet
141 (p5-10-4): 5.10.4 简洁实现
142 (p5-10-5): 小结
142 (p5-10-6): 练习
143 (p5-11): 5.11 残差网络(ResNet)
143 (p5-11-1): 5.11.1 残差块
145 (p5-11-2): 5.11.2 ResNet模型
146 (p5-11-3): 5.11.3 训练模型
146 (p5-11-4): 小结
146 (p5-11-5): 练习
147 (p5-12): 5.12 稠密连接网络(DenseNet)
147 (p5-12-1): 5.12.1 稠密块
148 (p5-12-2): 5.12.2 过渡层
148 (p5-12-3): 5.12.3 DenseNet模型
149 (p5-12-4): 5.12.4 训练模型
149 (p5-12-5): 小结
149 (p5-12-6): 练习
150 (p6): 第6章 循环神经网络
150 (p6-1): 6.1 语言模型
151 (p6-1-1): 6.1.1 语言模型的计算
151 (p6-1-2): 6.1.2 n元语法
152 (p6-1-3): 小结
152 (p6-1-4): 练习
152 (p6-2): 6.2 循环神经网络
152 (p6-2-1): 6.2.1 不含隐藏状态的神经网络
152 (p6-2-2): 6.2.2 含隐藏状态的循环神经网络
154 (p6-2-3): 6.2.3 应用:基于字符级循环神经网络的语言模型
155 (p6-2-4): 小结
155 (p6-2-5): 练习
155 (p6-3): 6.3 语言模型数据集(歌词)
155 (p6-3-1): 6.3.1 读取数据集
156 (p6-3-2): 6.3.2 建立字符索引
156 (p6-3-3): 6.3.3 时序数据的采样
158 (p6-3-4): 小结
159 (p6-3-5): 练习
159 (p6-4): 6.4 循环神经网络的从零开始实现
159 (p6-4-1): 6.4.1 one-hot向量
160 (p6-4-2): 6.4.2 初始化模型参数
160 (p6-4-3): 6.4.3 定义模型
161 (p6-4-4): 6.4.4 定义预测函数
161 (p6-4-5): 6.4.5 裁剪梯度
162 (p6-4-6): 6.4.6 困惑度
162 (p6-4-7): 6.4.7 定义模型训练函数
163 (p6-4-8): 6.4.8 训练模型并创作歌词
164 (p6-4-9): 小结
164 (p6-4-10): 练习
165 (p6-5): 6.5 循环神经网络的简洁实现
165 (p6-5-1): 6.5.1 定义模型
166 (p6-5-2): 6.5.2 训练模型
168 (p6-5-3): 小结
168 (p6-5-4): 练习
168 (p6-6): 6.6 通过时间反向传播
168 (p6-6-1): 6.6.1 定义模型
169 (p6-6-2): 6.6.2 模型计算图
169 (p6-6-3): 6.6.3 方法
170 (p6-6-4): 小结
170 (p6-6-5): 练习
170 (p6-7): 6.7 门控循环单元(GRU)
171 (p6-7-1): 6.7.1 门控循环单元
173 (p6-7-2): 6.7.2 读取数据集
173 (p6-7-3): 6.7.3 从零开始实现
175 (p6-7-4): 6.7.4 简洁实现
176 (p6-7-5): 小结
176 (p6-7-6): 练习
176 (p6-8): 6.8 长短期记忆(LSTM)
176 (p6-8-1): 6.8.1 长短期记忆
179 (p6-8-2): 6.8.2 读取数据集
179 (p6-8-3): 6.8.3 从零开始实现
181 (p6-8-4): 6.8.4 简洁实现
181 (p6-8-5): 小结
182 (p6-8-6): 练习
182 (p6-9): 6.9 深度循环神经网络
183 (p6-9-1): 小结
183 (p6-9-2): 练习
183 (p6-10): 6.10 双向循环神经网络
184 (p6-10-1): 小结
184 (p6-10-2): 练习
185 (p7): 第7章 优化算法
185 (p7-1): 7.1 优化与深度学习
185 (p7-1-1): 7.1.1 优化与深度学习的关系
186 (p7-1-2): 7.1.2 优化在深度学习中的挑战
188 (p7-1-3): 小结
189 (p7-1-4): 练习
189 (p7-2): 7.2 梯度下降和随机梯度下降
189 (p7-2-1): 7.2.1 一维梯度下降
190 (p7-2-2): 7.2.2 学习率
191 (p7-2-3): 7.2.3 多维梯度下降
193 (p7-2-4): 7.2.4 随机梯度下降
194 (p7-2-5): 小结
194 (p7-2-6): 练习
194 (p7-3): 7.3 小批量随机梯度下降
195 (p7-3-1): 7.3.1 读取数据集
196 (p7-3-2): 7.3.2 从零开始实现
198 (p7-3-3): 7.3.3 简洁实现
199 (p7-3-4): 小结
199 (p7-3-5): 练习
200 (p7-4): 7.4 动量法
200 (p7-4-1): 7.4.1 梯度下降的问题
201 (p7-4-2): 7.4.2 动量法
203 (p7-4-3): 7.4.3 从零开始实现
205 (p7-4-4): 7.4.4 简洁实现
205 (p7-4-5): 小结
205 (p7-4-6): 练习
206 (p7-5): 7.5 AdaGrad算法
206 (p7-5-1): 7.5.1 算法
206 (p7-5-2): 7.5.2 特点
208 (p7-5-3): 7.5.3 从零开始实现
209 (p7-5-4): 7.5.4 简洁实现
209 (p7-5-5): 小结
209 (p7-5-6): 练习
209 (p7-6): 7.6 RMSProp算法
210 (p7-6-1): 7.6.1 算法
211 (p7-6-2): 7.6.2 从零开始实现
212 (p7-6-3): 7.6.3 简洁实现
212 (p7-6-4): 小结
212 (p7-6-5): 练习
212 (p7-7): 7.7 AdaDelta算法
212 (p7-7-1): 7.7.1 算法
213 (p7-7-2): 7.7.2 从零开始实现
214 (p7-7-3): 7.7.3 简洁实现
214 (p7-7-4): 小结
214 (p7-7-5): 练习
215 (p7-8): 7.8 Adam算法
215 (p7-8-1): 7.8.1 算法
216 (p7-8-2): 7.8.2 从零开始实现
216 (p7-8-3): 7.8.3 简洁实现
217 (p7-8-4): 小结
217 (p7-8-5): 练习
218 (p8): 第8章 计算性能
218 (p8-1): 8.1 命令式和符号式混合编程
220 (p8-1-1): 8.1.1 混合式编程取两者之长
220 (p8-1-2): 8.1.2 使用HybridSequential类构造模型
222 (p8-1-3): 8.1.3 使用HybridBlock类构造模型
224 (p8-1-4): 小结
224 (p8-1-5): 练习
224 (p8-2): 8.2 异步计算
224 (p8-2-1): 8.2.1 MXNet中的异步计算
226 (p8-2-2): 8.2.2 用同步函数让前端等待计算结果
226 (p8-2-3): 8.2.3 使用异步计算提升计算性能
227 (p8-2-4): 8.2.4 异步计算对内存的影响
229 (p8-2-5): 小结
229 (p8-2-6): 练习
229 (p8-3): 8.3 自动并行计算
230 (p8-3-1): 8.3.1 CPU和GPU的并行计算
231 (p8-3-2): 8.3.2 计算和通信的并行计算
231 (p8-3-3): 小结
231 (p8-3-4): 练习
232 (p8-4): 8.4 多GPU计算
232 (p8-4-1): 8.4.1 数据并行
233 (p8-4-2): 8.4.2 定义模型
234 (p8-4-3): 8.4.3 多GPU之间同步数据
236 (p8-4-4): 8.4.4 单个小批量上的多GPU训练
236 (p8-4-5): 8.4.5 定义训练函数
237 (p8-4-6): 8.4.6 多GPU训练实验
237 (p8-4-7): 小结
237 (p8-4-8): 练习
237 (p8-5): 8.5 多GPU计算的简洁实现
238 (p8-5-1): 8.5.1 多GPU上初始化模型参数
239 (p8-5-2): 8.5.2 多GPU训练模型
241 (p8-5-3): 小结
241 (p8-5-4): 练习
242 (p9): 第9章 计算机视觉
242 (p9-1): 9.1 图像增广
243 (p9-1-1): 9.1.1 常用的图像增广方法
246 (p9-1-2): 9.1.2 使用图像增广训练模型
250 (p9-1-3): 小结
250 (p9-1-4): 练习
250 (p9-2): 9.2 微调
251 (p9-2-1): 热狗识别
255 (p9-2-2): 小结
255 (p9-2-3): 练习
255 (p9-3): 9.3 目标检测和边界框
256 (p9-3-1): 边界框
257 (p9-3-2): 小结
257 (p9-3-3): 练习
257 (p9-4): 9.4 锚框
257 (p9-4-1): 9.4.1 生成多个锚框
259 (p9-4-2): 9.4.2 交并比
260 (p9-4-3): 9.4.3 标注训练集的锚框
263 (p9-4-4): 9.4.4 输出预测边界框
265 (p9-4-5): 小结
265 (p9-4-6): 练习
265 (p9-5): 9.5 多尺度目标检测
268 (p9-5-1): 小结
268 (p9-5-2): 练习
268 (p9-6): 9.6 目标检测数据集(皮卡丘)
269 (p9-6-1): 9.6.1 获取数据集
269 (p9-6-2): 9.6.2 读取数据集
270 (p9-6-3): 9.6.3 图示数据
270 (p9-6-4): 小结
271 (p9-6-5): 练习
271 (p9-7): 9.7 单发多框检测(SSD)
271 (p9-7-1): 9.7.1 定义模型
275 (p9-7-2): 9.7.2 训练模型
277 (p9-7-3): 9.7.3 预测目标
278 (p9-7-4): 小结
278 (p9-7-5): 练习
280 (p9-8): 9.8 区域卷积神经网络(R-CNN)系列
280 (p9-8-1): 9.8.1 R-CNN
281 (p9-8-2): 9.8.2 Fast R-CNN
283 (p9-8-3): 9.8.3 Faster R-CNN
284 (p9-8-4): 9.8.4 Mask R-CNN
285 (p9-8-5): 小结
285 (p9-8-6): 练习
285 (p9-9): 9.9 语义分割和数据集
285 (p9-9-1): 9.9.1 图像分割和实例分割
286 (p9-9-2): 9.9.2 Pascal VOC2012语义分割数据集
290 (p9-9-3): 小结
290 (p9-9-4): 练习
290 (p9-10): 9.10 全卷积网络(FCN)
291 (p9-10-1): 9.10.1 转置卷积层
292 (p9-10-2): 9.10.2 构造模型
294 (p9-10-3): 9.10.3 初始化转置卷积层
295 (p9-10-4): 9.10.4 读取数据集
296 (p9-10-5): 9.10.5 训练模型
296 (p9-10-6): 9.10.6 预测像素类别
297 (p9-10-7): 小结
297 (p9-10-8): 练习
298 (p9-11): 9.11 样式迁移
298 (p9-11-1): 9.11.1 方法
299 (p9-11-2): 9.11.2 读取内容图像和样式图像
300 (p9-11-3): 9.11.3 预处理和后处理图像
301 (p9-11-4): 9.11.4 抽取特征
302 (p9-11-5): 9.11.5 定义损失函数
303 (p9-11-6): 9.11.6 创建和初始化合成图像
304 (p9-11-7): 9.11.7 训练模型
306 (p9-11-8): 小结
306 (p9-11-9): 练习
306 (p9-12): 9.12 实战Kaggle比赛:图像分类(CIFAR-10)
307 (p9-12-1): 9.12.1 获取和整理数据集
310 (p9-12-2): 9.12.2 图像增广
310 (p9-12-3): 9.12.3 读取数据集
311 (p9-12-4): 9.12.4 定义模型
312 (p9-12-5): 9.12.5 定义训练函数
312 (p9-12-6): 9.12.6 训练模型
313 (p9-12-7): 9.12.7 对测试集分类并在Kaggle提交结果
313 (p9-12-8): 小结
313 (p9-12-9): 练习
314 (p9-13): 9.13 实战Kaggle比赛:狗的品种识别(ImageNet Dogs)
315 (p9-13-1): 9.13.1 获取和整理数据集
316 (p9-13-2): 9.13.2 图像增广
317 (p9-13-3): 9.13.3 读取数据集
318 (p9-13-4): 9.13.4 定义模型
318 (p9-13-5): 9.13.5 定义训练函数
319 (p9-13-6): 9.13.6 训练模型
319 (p9-13-7): 9.13.7 对测试集分类并在Kaggle提交结果
320 (p9-13-8): 小结
320 (p9-13-9): 练习
321 (p10): 第10章 自然语言处理
321 (p10-1): 10.1 词嵌入(word2vec)
321 (p10-1-1): 10.1.1 为何不采用one-hot向量
322 (p10-1-2): 10.1.2 跳字模型
323 (p10-1-3): 10.1.3 连续词袋模型
325 (p10-1-4): 小结
325 (p10-1-5): 练习
325 (p10-2): 10.2 近似训练
325 (p10-2-1): 10.2.1 负采样
326 (p10-2-2): 10.2.2 层序softmax
327 (p10-2-3): 小结
328 (p10-2-4): 练习
328 (p10-3): 10.3 word2vec的实现
328 (p10-3-1): 10.3.1 预处理数据集
331 (p10-3-2): 10.3.2 负采样
331 (p10-3-3): 10.3.3 读取数据集
332 (p10-3-4): 10.3.4 跳字模型
333 (p10-3-5): 10.3.5 训练模型
335 (p10-3-6): 10.3.6 应用词嵌入模型
336 (p10-3-7): 小结
336 (p10-3-8): 练习
336 (p10-4): 10.4 子词嵌入(fastText)
337 (p10-4-1): 小结
337 (p10-4-2): 练习
337 (p10-5): 10.5 全局向量的词嵌入(GloVe)
338 (p10-5-1): 10.5.1 GloVe模型
339 (p10-5-2): 10.5.2 从条件概率比值理解GloVe模型
340 (p10-5-3): 小结
340 (p10-5-4): 练习
340 (p10-6): 10.6 求近义词和类比词
340 (p10-6-1): 10.6.1 使用预训练的词向量
341 (p10-6-2): 10.6.2 应用预训练词向量
343 (p10-6-3): 小结
343 (p10-6-4): 练习
343 (p10-7): 10.7 文本情感分类:使用循环神经网络
343 (p10-7-1): 10.7.1 文本情感分类数据集
345 (p10-7-2): 10.7.2 使用循环神经网络的模型
347 (p10-7-3): 小结
347 (p10-7-4): 练习
347 (p10-8): 10.8 文本情感分类:使用卷积神经网络(textCNN)
348 (p10-8-1): 10.8.1 一维卷积层
349 (p10-8-2): 10.8.2 时序最大池化层
350 (p10-8-3): 10.8.3 读取和预处理IMDb数据集
350 (p10-8-4): 10.8.4 textCNN模型
353 (p10-8-5): 小结
353 (p10-8-6): 练习
353 (p10-9): 10.9 编码器-解码器(seq2seq)
354 (p10-9-1): 10.9.1 编码器
354 (p10-9-2): 10.9.2 解码器
355 (p10-9-3): 10.9.3 训练模型
355 (p10-9-4): 小结
355 (p10-9-5): 练习
355 (p10-10): 10.10 束搜索
356 (p10-10-1): 10.10.1 贪婪搜索
357 (p10-10-2): 10.10.2 穷举搜索
357 (p10-10-3): 10.10.3 束搜索
358 (p10-10-4): 小结
358 (p10-10-5): 练习
358 (p10-11): 10.11 注意力机制
359 (p10-11-1): 10.11.1 计算背景变量
360 (p10-11-2): 10.11.2 更新隐藏状态
361 (p10-11-3): 10.11.3 发展
361 (p10-11-4): 小结
361 (p10-11-5): 练习
361 (p10-12): 10.12 机器翻译
361 (p10-12-1): 10.12.1 读取和预处理数据集
363 (p10-12-2): 10.12.2 含注意力机制的编码器-解码器
365 (p10-12-3): 10.12.3 训练模型
367 (p10-12-4): 10.12.4 预测不定长的序列
367 (p10-12-5): 10.12.5 评价翻译结果
369 (p10-12-6): 小结
369 (p10-12-7): 练习
370 (p11): 附录A 数学基础
376 (p12): 附录B 使用Jupyter记事本
381 (p13): 附录C 使用AWS运行代码
388 (p14): 附录D GPU购买指南
391 (p15): 附录E 如何为本书做贡献
395 (p16): 附录F d2lzh包索引
397 (p17): 附录G 中英文术语对照表
402 (p18): 参考文献
407 (p19): 索引
如何使用本书 25
深度学习简介 31
起源 32
发展 35
成功案例 36
特点 38
预备知识 43
获取和运行本书的代码 43
数据操作 47
自动求梯度 55
查阅文档 58
深度学习基础 63
线性回归 63
线性回归的从零开始实现 69
线性回归的简洁实现 75
softmax回归 79
图像分类数据集(Fashion-MNIST) 84
softmax回归的从零开始实现 88
softmax回归的简洁实现 93
多层感知机 95
多层感知机的从零开始实现 103
多层感知机的简洁实现 105
模型选择、欠拟合和过拟合 106
权重衰减 115
丢弃法 122
正向传播、反向传播和计算图 127
数值稳定性和模型初始化 130
实战Kaggle比赛:房价预测 132
深度学习计算 143
模型构造 143
模型参数的访问、初始化和共享 148
模型参数的延后初始化 154
自定义层 156
读取和存储 159
GPU计算 162
卷积神经网络 167
二维卷积层 167
填充和步幅 173
多输入通道和多输出通道 177
池化层 181
卷积神经网络(LeNet) 186
深度卷积神经网络(AlexNet) 190
使用重复元素的网络(VGG) 196
网络中的网络(NiN) 199
含并行连结的网络(GoogLeNet) 203
批量归一化 208
残差网络(ResNet) 214
稠密连接网络(DenseNet) 219
循环神经网络 225
语言模型 226
循环神经网络 228
语言模型数据集(周杰伦专辑歌词) 232
循环神经网络的从零开始实现 237
循环神经网络的简洁实现 244
通过时间反向传播 249
门控循环单元(GRU) 252
长短期记忆(LSTM) 259
深度循环神经网络 267
双向循环神经网络 269
优化算法 271
优化与深度学习 271
梯度下降和随机梯度下降 276
小批量随机梯度下降 284
动量法 290
AdaGrad算法 298
RMSProp算法 303
AdaDelta算法 307
Adam算法 311
计算性能 315
命令式和符号式混合编程 315
异步计算 323
自动并行计算 329
多GPU计算 332
多GPU计算的简洁实现 339
计算机视觉 345
图像增广 346
微调 356
目标检测和边界框 362
锚框 365
多尺度目标检测 374
目标检测数据集(皮卡丘) 378
单发多框检测(SSD) 382
区域卷积神经网络(R-CNN)系列 394
语义分割和数据集 401
全卷积网络(FCN) 407
样式迁移 417
实战Kaggle比赛:图像分类(CIFAR-10) 427
实战Kaggle比赛:狗的品种识别(ImageNet Dogs) 436
自然语言处理 445
词嵌入(word2vec) 445
近似训练 451
word2vec的实现 454
子词嵌入(fastText) 465
全局向量的词嵌入(GloVe) 466
求近义词和类比词 470
文本情感分类:使用循环神经网络 474
文本情感分类:使用卷积神经网络(textCNN) 480
编码器—解码器(seq2seq) 487
束搜索 490
注意力机制 494
机器翻译 498
附录 509
主要符号一览 509
数学基础 511
使用Jupyter记事本 518
使用AWS运行代码 525
GPU购买指南 536
如何为本书贡献 539
d2lzh包索引 545
3
Python
🐢 Descargas lentas
Las descargas gratuitas ilimitadas son accesibles a través de nuestra lista de espera, un sistema diseñado para dar a todos un acceso justo.
- PDF: Descargar Leer
🚀 Descargas rápidas
🚀 Descargas rápidas Conviértete en miembro para apoyar la preservación a largo plazo de libros, artículos y más. Para mostrar nuestra gratitud por tu apoyo obtienes descargas rápidas. ❤️
- PDF: Descargar Leer
-
Necesitará un lector de ebooks o PDF para abrir el archivo, dependiendo del formato del archivo.
Lectores de ebooks recomendados: ReadEra y Calibre -
Utilice herramientas en línea para convertir entre formatos.
Herramientas de conversión recomendadas: CloudConvert -
Puede enviar archivos PDF y EPUB a su Kindle o Kobo eReader.
Herramientas recomendadas: “Enviar a Kindle” de Amazon y “Enviar a Kobo/Kindle” de djazz
GitHub入门与实践
本书从Git的基本知识和操作方法入手,详细介绍了GitHub的各种功能,GitHub与其他工具或服务的协作,使用GitHub的开发流程以及如何将GitHub引入到企业中。在讲解GitHub的代表功能Pull Request时,本书专门搭建了供各位读者实践的仓库,邀请各位读者进行Pull Request并共同维护。
深度学习 /Shen du xue xi
伊恩·古德费洛 (Ian Goodfellow), 约书亚·本吉奥 (Yoshua Bengio), 亚伦·库维尔 (Aaron Courville)
《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写,是深度学习领域奠基性的经典教材。全书的内容包括3个部分:第1部分介绍基本的数学工具和机器学习的概念,它们是深度学习的预备知识;第2部分系统深入地讲解现今已成熟的深度学习方法和技术;第3部分讨论某些具有前瞻性的方向和想法,它们被公认为是深度学习未来的研究重点。《深度学习》适合各类读者阅读,包括相关专业的大学生或研究生,以及不具有机器学习或统计背景、但是想要快速补充深度学习知识,以便在实际产品或平台中应用的软件工程师。
Python编程 : 从入门到实践 = Python crash course : a hands-on, project-based introduction to programming
本书是一本针对所有层次的Python 读者而作的Python 入门书。全书分两部分:第一部分介绍用Python 编程所必须了解的基本概念,包括matplotlib、NumPy 和Pygal 等强大的Python 库和工具介绍,以及列表、字典、if 语句、类、文件与异常、代码测试等内容;第二部分将理论付诸实践,讲解如何开发三个项目,包括简单的Python 2D 游戏开发如何利用数据生成交互式的信息图,以及创建和定制简单的Web 应用,并帮读者解决常见编程问题和困惑。
机器学习实战 = Machine Learning in Action
[美]peter Harrington 李锐，李鹏，曲亚东，等
机器学习是人工智能研究领域中一个极其重要的研究方向,在现今的大数据时代背景下,捕获数据并从中萃取有价值的信息或模式,成为各行业求生存、谋发展的决定性手段,这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。 本书第一部分主要介绍机器学习基础,以及如何利用算法进行分类,并逐步介绍了多种经典的监督学习算法,如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树(CART)算法等。第三部分则重点介绍无监督学习及其一些主要算法:k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。 全书通过精心编排的实例,切入日常工作任务,摒弃学术化语言,利用高效的可复用Python代码来阐释如何处理统计数据,进行数据分析及可视化。通过各种实例,读者可从中学会机器学习的核心算法,并能将其运用于一些策略性任务中,如分类、预测、推荐。另外,还可用它们来实现一些更高级的功能,如汇总和简化等。
Python 深度学习 = Deep learning with Python
本书由 Keras 之父、现任 Google 人工智能研究员的弗朗索瓦 • 肖莱(François Chollet)执笔,详尽介 绍了用 Python 和 Keras 进行深度学习的探索实践,涉及计算机视觉、自然语言处理、生成式模型等应用。 书中包含 30 多个代码示例,步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化,读者无须 具备机器学习相关背景知识即可展开阅读。在学习完本书后,读者将具备搭建自己的深度学习环境、建立 图像识别模型、生成图像和文字等能力。本书适合从事大数据及机器学习领域工作,并对深度学习感兴趣的各类读者。
深度学习入门 : 基于Python的理论与实现 = Deep learning from Scratch Shen du xue xi ru men : Ji yu Python de li lun yu shi xian = Deep learning from Scratch
本书是深度学习真正意义上的入门书,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“为什么”的问题。
机器学习 = Machine learning
机器学习是计算机科学与人工智能的重要分支领域。本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面。为了使尽可能多的读者通过本书对机器学习有所了解,作者试图尽可能少地使用数学知识。然而,少量的概率、统计、代数、优化、逻辑知识似乎不可避免。因此,本书更适合大学三年级以上的理工科本科生和研究生,以及具有类似背景的对机器学习感兴趣的人士。为方便读者,本书附录给出了一些相关数学基础知识简介。 全书共16章,大致分为3个部分:第1部分(第1~3章)介绍机器学习的基础知识;第2部分(第4~10章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3部分(第11~16章)为进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。前3章之外的后... 机器学习是计算机科学与人工智能的重要分支领域。本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面。为了使尽可能多的读者通过本书对机器学习有所了解,作者试图尽可能少地使用数学知识。然而,少量的概率、统计、代数、优化、逻辑知识似乎不可避免。因此,本书更适合大学三年级以上的理工科本科生和研究生,以及具有类似背景的对机器学习感兴趣的人士。为方便读者,本书附录给出了一些相关数学基础知识简介。 全书共16章,大致分为3个部分:第1部分(第1~3章)介绍机器学习的基础知识;第2部分(第4~10章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3部分(第11~16章)为进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。前3章之外的后续各章均相对独立,读者可根据自己的兴趣和时间情况选择使用。根据课时情况,一个学期的本科生课程可考虑讲授前9章或前10章;研究生课程则不妨使用全书。 书中除第1章外,每章都给出了十道习题。有的习题是帮助读者巩固本章学习,有的是为了引导读者扩展相关知识。一学期的一般课程可使用这些习题,再辅以两到三个针对具体数据集的大作业。带星号的习题则有相当难度,有些并无现成答案,谨供富有进取心的读者启发思考。 本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
神经网络与深度学习
序 前言 常用符号表 目录 第一部分 机器学习基础 第1章 绪论 1.1 人工智能 1.1.1 人工智能的发展历史 1.1.2 人工智能的流派 1.2 机器学习 1.3 表示学习 1.3.1 局部表示和分布式表示 1.3.2 表示学习 1.4 深度学习 1.4.1 端到端学习 1.5 神经网络 1.5.1 人脑神经网络 1.5.2 人工神经网络 1.5.3 神经网络的发展历史 1.6 本书的知识体系 1.7 常用的深度学习框架 1.8 总结和深入阅读 第2章 机器学习概述 2.1 基本概念 2.2 机器学习的三个基本要素 2.2.1 模型 2.2.2 学习准则 2.2.3 优化算法 2.3 机器学习的简单示例:线性回归 2.3.1 参数学习 2.4 偏差-方差分解 2.5 机器学习算法的类型 2.6 数据的特征表示 2.6.1 传统的特征学习 2.6.2 深度学习方法 2.7 评价指标 2.8 理论和定理 2.8.1 PAC学习理论 2.8.2 没有免费午餐定理 2.8.3 丑小鸭定理 2.8.4 奥卡姆剃刀原理 2.8.5 归纳偏置 2.9 总结和深入阅读 第3章 线性模型 3.1 线性判别函数和决策边界 3.1.1 二分类 3.1.2 多分类 3.2 Logistic回归 3.2.1 参数学习 3.3 Softmax回归 3.3.1 参数学习 3.4 感知器 3.4.1 参数学习 3.4.2 感知器的收敛性 3.4.3 参数平均感知器 3.4.4 扩展到多分类 3.5 支持向量机 3.5.1 参数学习 3.5.2 核函数 3.5.3 软间隔 3.6 损失函数对比 3.7 总结和深入阅读 第二部分 基础模型 第4章 前馈神经网络 4.1 神经元 4.1.1 Sigmoid型函数 4.1.2 ReLU函数 4.1.3 Swish函数 4.1.4 高斯误差线性单元 4.1.5 Maxout单元 4.2 网络结构 4.2.1 前馈网络 4.2.2 记忆网络 4.2.3 图网络 4.3 前馈神经网络 4.3.1 通用近似定理 4.3.2 应用到机器学习 4.3.3 参数学习 4.4 反向传播算法 4.5 自动梯度计算 4.5.1 数值微分 4.5.2 符号微分 4.5.3 自动微分 4.6 优化问题 4.6.1 非凸优化问题 4.6.2 梯度消失问题 4.7 总结和深入阅读 第5章 卷积神经网络 5.1 卷积 5.1.1 互相关 5.1.2 卷积的变种 5.1.3 卷积的数学性质 5.2 卷积神经网络 5.2.1 用卷积来代替全连接 5.2.2 卷积层 5.2.3 汇聚层 5.2.4 典型的卷积网络结构 5.3 参数学习 5.3.1 误差项的计算 5.4 几种典型的卷积神经网络 5.4.1 LeNet-5 5.4.2 AlexNet 5.4.3 Inception网络 5.4.4 残差网络 5.5 其他卷积方式 5.5.1 转置卷积 5.5.2 空洞卷积 5.6 总结和深入阅读 第6章 循环神经网络 6.1 给网络增加记忆能力 6.1.1 延时神经网络 6.1.2 有外部输入的非线性自回归模型 6.1.3 循环神经网络 6.2 简单循环网络 6.2.1 循环神经网络的计算能力 6.3 应用到机器学习 6.3.1 序列到类别模式 6.3.2 同步的序列到序列模式 6.3.3 异步的序列到序列模式 6.4 参数学习 6.4.1 随时间反向传播算法 6.4.2 实时循环学习算法 6.5 长程依赖问题 6.5.1 改进方案 6.6...
算法图解 : 像小说一样有趣的算法入门书
(美)巴尔加瓦(Aditya Bhargava)著, 袁国忠译
书签已装载, 书签制作方法请找 [email protected] 完全免费 本书示例丰富,图文并茂,以让人容易理解的方式阐释了算法,旨在帮助程序员在日常项目中更好地发挥算法的能量。书中的前三章将帮助你打下基础,带你学习二分查找、大O表示法、两种基本的数据结构以及递归等。余下的篇幅将主要介绍应用广泛的算法,具体内容包括:面对具体问题时的解决技巧,比如,何时采用贪婪算法或动态规划;散列表的应用;图算法;K最近邻算法。
利用Python进行数据分析 原书第2版
本书由Python pandas项目创始人Wes McKinney亲笔撰写,详细介绍利用Python进行操作、处理、清洗和规整数据等方面的具体细节和基本要点。第2版针对Python 3.6进行全面修订和更新,涵盖新版的pandas、NumPy、IPython和Jupyter,并增加大量实际案例,可以帮助你高效解决一系列数据分析问题。 第2版中的主要更新包括: • 所有的代码,包括把Python的教程更新到了Python 3.6版本(第1版中使用的是Python 2.7) • 更新了Python第三方发布版Anaconda和其他所需Python包的安装指引 • 更新pandas库到2017年的新版 • 新增一章,关于更多高级pandas工具和一些使用提示 • 新增statsmodels和scikit-learn的简明使用介绍
数据结构与算法图解 = A common-sense guide to data structures and algorithms
本书是数据结构与算法的入门指南,不局限于某种特定语言,略过复杂的数学公式,用通俗易懂的方式针对编程初学者介绍数据结构与算法的基本概念,培养读者编程逻辑。主要内容包括:为什么要了解数据结构与算法,大O表示法及其代码优化利用,栈、队列等的合理使用,等等。
神经网络与深度学习
Machine Learning Has Become A Key Enabling Technology For Many Engineering Applications, Investigating Scientific Questions And Theoretical Problems Alike. To Stimulate Discussions And To Disseminate New Results, A Summer School Series Was Started In February 2002, The Documentation Of Which Is Published As Lnai 2600. This Book Presents Revised Lectures Of Two Subsequent Summer Schools Held In 2003 In Canberra, Australia, And In Tübingen, Germany. The Tutorial Lectures Included Are Devoted To Statistical Learning Theory, Unsupervised Learning, Bayesian Inference, And Applications In Pattern Recognition; They Provide In-depth Overviews Of Exciting New Developments And Contain A Large Number Of References. Graduate Students, Lecturers, Researchers And Professionals Alike Will Find This Book A Useful Resource In Learning And Teaching Machine Learning.
深度学习的数学 successbooks 9787115509345
本书介绍了深度学习相关的数学知识.第1章介绍神经网络的概况;第2章介绍理解神经网络所需的数学基础知识;第3章介绍神经网络的最优化;第4章介绍神经网络和误差反向传播法;第5章介绍深度学习和卷积神经网络.
图解深度学习
本书从深度学习的发展历程讲起,以丰富的图例从理论和实践两个层面介绍了深度学习的各种方法,以及深度学习在图像识别等领域的应用案例。内容涉及神经网络 卷积神经网络、受限玻尔兹曼机、自编码器、泛化能力的提高等。此外,还介绍了包括TheanoPylearn2 CaffeDIGITSChainerensorflow在内的深度学习工具的安装和使用方法。本书图例丰富清晰直观,适合所有对深度学习感兴趣的读者阅读。
Python深度学习 : 基于PyTorch = Deep learning with Python and PyTorch
这是一本基于最新的Python和PyTorch版本的深度学习著作,旨在帮助读者低门槛进入深度学习领域,轻松速掌握深度学习的理论知识和实践方法,快速实现从入门到进阶的转变。 本书是多位人工智能技术专家和大数据技术专家多年工作经验的结晶,从工具使用、技术原理、算法设计、案例实现等多个维度对深度学习进行了系统的讲解。内容选择上,广泛涉猎、重点突出、注重实战;内容安排上,实例切入、由浅入深、循序渐进;表达形式上,深度抽象、化繁为简、用图说话。 本书共16章,分为三部分: 第一部分(第1~4章) PyTorch基础 首先讲解了机器学习和数据科学中必然会用到的工具Numpy的使用,然后从多个角度讲解了Pytorch的必备基础知识,最后详细讲解了Pytorch的神经网络工具箱和数据处理工具箱。 第二部分(第5~8章) 深度学习基础 这部分从技术原理、算法设计、实... 这是一本基于最新的Python和PyTorch版本的深度学习著作,旨在帮助读者低门槛进入深度学习领域,轻松速掌握深度学习的理论知识和实践方法,快速实现从入门到进阶的转变。 本书是多位人工智能技术专家和大数据技术专家多年工作经验的结晶,从工具使用、技术原理、算法设计、案例实现等多个维度对深度学习进行了系统的讲解。内容选择上,广泛涉猎、重点突出、注重实战;内容安排上,实例切入、由浅入深、循序渐进;表达形式上,深度抽象、化繁为简、用图说话。 本书共16章,分为三部分: 第一部分(第1~4章) PyTorch基础 首先讲解了机器学习和数据科学中必然会用到的工具Numpy的使用,然后从多个角度讲解了Pytorch的必备基础知识,最后详细讲解了Pytorch的神经网络工具箱和数据处理工具箱。 第二部分(第5~8章) 深度学习基础 这部分从技术原理、算法设计、实践技巧等维度讲解了机器学习和深度学习的经典理理论、算法以及提升深度学习模型性能的多种技巧,涵盖视觉处理、NLP和生成式深度学习等主题。 第三部分(第9~16章) 深度学习实践 这部分从工程实践的角度讲解了深度学习的工程方法和在一些热门领域的实践方案,具体包括人脸识别、图像修复、图像增强、风格迁移、中英文互译、生成式对抗网络、对抗攻击、强化学习、深度强化学习等内容。
动手学深度学习 PyTorch 版 2020.3.13
lgrsnf/动手学深度学习 PyTorch 版 2020.3.13.epub