[日]斋藤康毅 / 人民邮电出版社 / 2018年07月01日
《深度学习入门:基于Python的理论与实现》是一本由日本斋藤康毅所著的深度学习入门书籍。本书从基本的数学知识出发,以Python3为编程语言,深入浅出地介绍了深度学习的原理和相关技术,尽量避免依赖外部库或工具,使得读者能够更好地理解深度学习的本质。本书不仅适合深度学习初学者,也适合对深度学习有一定了解的读者,通过阅读本书,读者可以系统地掌握深度学习的基本知识和实践技能,为日后的学习和应用打下坚实的基础。此外,本书还提供了丰富的示例代码和实验,使得读者可以更好地理解和应用所学知识,是一本极具实用价值的深度学习入门书籍。
可滚动、双指缩放查看
第一章:神经网络的基础
1.1 数学基础
**线性代数**: 介绍了向量、矩阵、线性组合等基本概念。
**微积分**: 讲解了导数、偏导数、梯度等基础概念。
**概率论**: 阐述了随机变量、期望值、概率分布等基础内容。
1.2 神经网络的思想
**模拟人脑**: 神经网络的灵感来源于生物神经网络。
**计算模型**: 将神经元抽象为计算模型,介绍激活函数和分层结构。
**学习算法**: 通过调整权重进行学习的基本算法。
1.3 神经网络的构成
**输入层**: 输入数据的处理层。
**隐藏层**: 数据处理和特征提取的层。
**输出层**: 输出数据的层。
第二章:神经网络的手工实现
2.1 Python基础
**NumPy**: 用于数值计算的库。
**Matplotlib**: 图形可视化库。
2.2 前向传导算法
**计算权重和偏置**: 初始化网络参数。
**激活函数**: ReLU、Sigmoid等函数的实现。
**矩阵运算**: 实现逐层的数据传播。
2.3 反向传播算法
**损失函数**: 定义损失,计算输出误差。
**梯度计算方法**: 利用链式法则计算梯度。
**权重更新**: 基于梯度下降的权重更新规则。
第三章:使用框架进行神经网络编程
3.1 NumPy与深度学习框架
**NumPy的局限性**: 在深度学习中的应用限制。
**框架的优势**: 简化计算,提供高级抽象。
3.2 TensorFlow基础
**张量操作**: 张量的创建、切片、合并等操作。
**自动求导**: 自动计算梯度,简化训练过程。
3.3 Keras入门
**模型的构建**: 使用Keras API快速构建网络模型。
**训练与评估**: 训练模型并评估性能。
第四章:卷积神经网络
4.1 卷积层
**卷积操作**: 对图像数据进行局部感受野的操作。
**滤波器**: 用于提取图像特征的权重矩阵。
4.2 池化层
**最大池化和平均池化**: 用于下采样,提高模型效率。
**空间分辨率**: 池化对图像尺寸的影响。
4.3 卷积网络的实现
**卷积层和池化层的堆叠**: 构建CNN的基本架构。
**全连接层**: 结合卷积层完成分类任务。
第五章:循环神经网络
5.1 RNN的基本概念
**序列数据处理**: RNN特别适合处理序列数据。
**时间展开**: RNN的计算可看作是在时间轴上的展开。
5.2 GRU和LSTM
**门控循环单元(GRU)**: 用于解决RNN长期依赖问题。
**长短时记忆网络(LSTM)**: 另一种处理长期依赖的结构。
5.3 RNN的应用
**自然语言处理**: 文本生成和机器翻译等应用。
**时间序列预测**: 对股票价格等数据进行预测。