动手学深度学习

定　价：¥85.00

作　者：	阿斯顿·张、李沐，[美] 扎卡里·C. 立顿著
出版社：	人民邮电出版社
丛编项：
标　签：	暂缺

购买这本书可以去

ISBN：	9787115490841	出版时间：	2019-06-01	包装：	平装
开本：	16开	页数：		字数：

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。

图书目录

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MXNet　11
小结12
练习12
2.2　数据操作　12
2.2.1　创建NDArray　12
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
2.2.6　NDArray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
3.4　softmax回归　38
3.4.1　分类问题　38
3.4.2　softmax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
3.6　softmax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
3.7　softmax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
3.7.3　softmax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
3.16.1　Kaggle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
3.16.5　k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
4.1.2　Sequential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NDArray　99
4.5.2　读写Gluon模型的参数　100
小结　101
练习　101
4.6　GPU计算　101
4.6.1　计算设备　102
4.6.2　NDArray的GPU计算　102
4.6.3　Gluon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
5.3.3　1×1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
5.5.1　LeNet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
5.6.2　AlexNet　126
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
5.7.1　VGG块　129
5.7.2　VGG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
5.8.1　NiN块　131
5.8.2　NiN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
5.9.1　Inception块　134
5.9.2　GoogLeNet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LeNet　140
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
5.11.2　ResNet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
5.12.3　DenseNet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
6.1.2　n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
6.4.1　one-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
·6·　目录
7.4.3　从零开始实现　203
7.4.4　简洁实现　205
小结　205
练习　205
7.5　AdaGrad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
7.6　RMSProp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
7.7　AdaDelta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
7.8　Adam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
8.2.1　MXNet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
8.3.1　CPU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
目　录·7·
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
9.8.1　R-CNN　280
9.8.2　FastR-CNN　281
9.8.3　FasterR-CNN　283
9.8.4　MaskR-CNN　284
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
9.9.2　PascalVOC2012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