java自学教程|www.konglongmei.com

作者: admin
查看: 860|回复: 287

more +社区更新Forums

more +随机图赏Gallery

价值6380元 Java高级架构师-互联网企业级实战VIP精品课程视频教价值6380元 Java高级架构师-互联网企业级实战VIP精品课程视频教
Spring 5核心原理与30个类手写实战 PDF 电子书 百度云 网盘下载Spring 5核心原理与30个类手写实战 PDF 电子书 百度云 网盘下载
疯狂Java讲义(第4版) PDF 电子书 百度云 网盘下载疯狂Java讲义(第4版) PDF 电子书 百度云 网盘下载
价值825元 牛客算法通关课程视频教程 第六期 百度云 网盘下载价值825元 牛客算法通关课程视频教程 第六期 百度云 网盘下载
Spring 5核心原理与30个类手写实战+Spring Boot编程思想核心篇pdfSpring 5核心原理与30个类手写实战+Spring Boot编程思想核心篇pdf
Spring Boot编程思想核心篇+Spring 5核心原理与30个类手写实战pdfSpring Boot编程思想核心篇+Spring 5核心原理与30个类手写实战pdf

[教程+源码] 深度学习入门:基于Python的理论与实现 PDF 下载

[教程+源码] 深度学习入门:基于Python的理论与实现 PDF 下载

[复制链接]
admin | 显示全部楼层 发表于: 2019-8-3 18:06:34
admin 发表于: 2019-8-3 18:06:34 | 显示全部楼层 |阅读模式
查看: 860|回复: 287

你还没有注册,无法下载本站所有资源,请立即注册!

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
深度学习入门:基于Python的理论与实现 PDF 下载用户下载说明:
电子版仅供预览,下载后24小时内务必删除,支持正版,喜欢的请购买正版书籍:
深度学习入门:基于Python的理论与实现 PDF 下载  Python项目源码 180631ejslcs5yj8t2liecitle="QQ截图20190803180620.png" />
资料简介:
[size=13.3333px]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疑难的问题。 本书适合深度学习初学者阅读,也可作为高校教材使用。



资料目录:
目录

译者序 xiii

前言 xv

第 1 章 Python入门 1

1.1 Python是什么 1

1.2 Python的安装 2

1.2.1 Python版本 2

1.2.2 使用的外部库 2

1.2.3 Anaconda发行版 3

1.3 Python解释器 4

1.3.1 算术计算 4

1.3.2 数据类型 5

1.3.3 变量 5

1.3.4 列表 6

1.3.5 字典 7

1.3.6 布尔型 7

1.3.7 if 语句 8

1.3.8 for 语句 8

1.3.9 函数 9

1.4 Python脚本文件 9

1.4.1 保存为文件 9

1.4.2 类 10

1.5 NumPy 11

1.5.1 导入NumPy 11

1.5.2 生成NumPy数组 12

1.5.3 NumPy 的算术运算 12

1.5.4 NumPy的N维数组 13

1.5.5 广播 14

1.5.6 访问元素 15

1.6 Matplotlib 16

1.6.1 绘制简单图形 16

1.6.2 pyplot 的功能 17

1.6.3 显示图像 18

1.7 小结 19

第 2 章 感知机 21

2.1 感知机是什么 21

2.2 简单逻辑电路 23

2.2.1 与门 23

2.2.2 与非门和或门 23

2.3 感知机的实现 25

2.3.1 简单的实现 25

2.3.2 导入权重和偏置 26

2.3.3 使用权重和偏置的实现 26

2.4 感知机的局限性 28

2.4.1 异或门 28

2.4.2 线性和非线性 30

2.5 多层感知机 31

2.5.1 已有门电路的组合 31

2.5.2 异或门的实现 33

2.6 从与非门到计算机 35

2.7 小结 36

第3 章 神经网络 37

3.1 从感知机到神经网络 37

3.1.1 神经网络的例子 37

3.1.2 复习感知机 38

3.1.3 激活函数登场 40

3.2 激活函数 42

3.2.1 sigmoid 函数 42

3.2.2 阶跃函数的实现 43

3.2.3 阶跃函数的图形 44

3.2.4 sigmoid 函数的实现 45

3.2.5 sigmoid 函数和阶跃函数的比较 46

3.2.6 非线性函数 48

3.2.7 ReLU函数 49

3.3 多维数组的运算 50

3.3.1 多维数组 50

3.3.2 矩阵乘法 51

3.3.3 神经网络的内积 55

3.4 3 层神经网络的实现 56

3.4.1 符号确认 57

3.4.2 各层间信号传递的实现 58

3.4.3 代码实现小结 62

3.5 输出层的设计 63

3.5.1 恒等函数和softmax 函数 64

3.5.2 实现softmax 函数时的注意事项 66

3.5.3 softmax 函数的特征 67

3.5.4 输出层的神经元数量 68

3.6 手写数字识别 69

3.6.1 MNIST数据集 70

3.6.2 神经网络的推理处理 73

3.6.3 批处理 75

3.7 小结 79

第4 章 神经网络的学习 81

4.1 从数据中学习 81

4.1.1 数据驱动 82

4.1.2 训练数据和测试数据 84

4.2 损失函数 85

4.2.1 均方误差 85

4.2.2 交叉熵误差 87

4.2.3 mini-batch 学习 88

4.2.4 mini-batch 版交叉熵误差的实现 91

4.2.5 为何要设定损失函数 92

4.3 数值微分 94

4.3.1 导数 94

4.3.2 数值微分的例子 96

4.3.3 偏导数 98

4.4 梯度 100

4.4.1 梯度法 102

4.4.2 神经网络的梯度 106

4.5 学习算法的实现 109

4.5.1 2 层神经网络的类 110

4.5.2 mini-batch 的实现 114

4.5.3 基于测试数据的评价 116

4.6 小结 118

第5 章 误差反向传播法 121

5.1 计算图 121

5.1.1 用计算图求解 122

5.1.2 局部计算 124

5.1.3 为何用计算图解题 125

5.2 链式法则 126

5.2.1 计算图的反向传播 127

5.2.2 什么是链式法则 127

5.2.3 链式法则和计算图 129

5.3 反向传播 130

5.3.1 加法节点的反向传播 130

5.3.2 乘法节点的反向传播 132

5.3.3 苹果的例子 133

5.4 简单层的实现 135

5.4.1 乘法层的实现 135

5.4.2 加法层的实现 137

5.5 激活函数层的实现 139

5.5.1 ReLU层 139

5.5.2 Sigmoid 层 141

5.6 Affine/Softmax层的实现 144

5.6.1 Affine层 144

5.6.2 批版本的Affine层 148

5.6.3 Softmax-with-Loss 层 150

5.7 误差反向传播法的实现 154

5.7.1 神经网络学习的全貌图 154

5.7.2 对应误差反向传播法的神经网络的实现 155

5.7.3 误差反向传播法的梯度确认 158

5.7.4 使用误差反向传播法的学习 159

5.8 小结 161

第6 章 与学习相关的技巧 163

6.1 参数的更新 163

6.1.1 探险家的故事 164

6.1.2 SGD 164

6.1.3 SGD的缺点 166

6.1.4 Momentum 168

6.1.5 AdaGrad 170

6.1.6 Adam 172

6.1.7 使用哪种更新方法呢 174

6.1.8 基于MNIST数据集的更新方法的比较 175

6.2 权重的初始值 176

6.2.1 可以将权重初始值设为0 吗 176

6.2.2 隐藏层的激活值的分布 177

6.2.3 ReLU的权重初始值 181

6.2.4 基于MNIST数据集的权重初始值的比较 183

6.3 Batch Normalization 184

6.3.1 Batch Normalization 的算法 184

6.3.2 Batch Normalization 的评估 186

6.4 正则化 188

6.4.1 过拟合 189

6.4.2 权值衰减 191

6.4.3 Dropout 192

6.5 超参数的验证 195

6.5.1 验证数据 195

6.5.2 超参数的最优化 196

6.5.3 超参数最优化的实现 198

6.6 小结 200

第7 章 卷积神经网络 201

7.1 整体结构 201

7.2 卷积层 202

7.2.1 全连接层存在的问题 203

7.2.2 卷积运算 203

7.2.3 填充 206

7.2.4 步幅 207

7.2.5 3 维数据的卷积运算 209

7.2.6 结合方块思考 211

7.2.7 批处理 213

7.3 池化层 214

7.4 卷积层和池化层的实现 216

7.4.1 4 维数组 216

7.4.2 基于im2col 的展开 217

7.4.3 卷积层的实现 219

7.4.4 池化层的实现 222

7.5 CNN的实现 224

7.6 CNN的可视化 228

7.6.1 第 1 层权重的可视化 228

7.6.2 基于分层结构的信息提取 230

7.7 具有代表性的CNN 231

7.7.1 LeNet 231

7.7.2 AlexNet 232

7.8 小结 233

第8 章 深度学习 235

8.1 加深网络 235

8.1.1 向更深的网络出发 235

8.1.2 进一步提高识别精度 238

8.1.3 加深层的动机 240

8.2 深度学习的小历史 242

8.2.1 ImageNet 243

8.2.2 VGG 244

8.2.3 GoogLeNet 245

8.2.4 ResNet 246

8.3 深度学习的高速化 248

8.3.1 需要努力解决的问题 248

8.3.2 基于GPU的高速化 249

8.3.3 分布式学习 250

8.3.4 运算精度的位数缩减 252

8.4 深度学习的应用案例 253

8.4.1 物体检测 253

8.4.2 图像分割 255

8.4.3 图像标题的生成 256

8.5 深度学习的未来 258

8.5.1 图像风格变换 258

8.5.2 图像的生成 259

8.5.3 自动驾驶 261

8.5.4 Deep Q-Network(强化学习) 262

8.6 小结 264

附录A Softmax-with-Loss 层的计算图 267

A.1 正向传播 268

A.2 反向传播 270

A.3 小结 277

参考文献 279
本站整理下载:
游客,如果您要查看本帖隐藏内容请回复





楼主热帖
回复

使用道具 举报

丫头喜欢说频 | 显示全部楼层 发表于: 2019-8-3 18:07:03
丫头喜欢说频 发表于: 2019-8-3 18:07:03 | 显示全部楼层
  Python项目源码 lol不错
回复

使用道具 举报

爱宇婷疤 | 显示全部楼层 发表于: 2019-8-3 18:07:12
爱宇婷疤 发表于: 2019-8-3 18:07:12 | 显示全部楼层
相当不错,感谢无私分享精神!
回复

使用道具 举报

囘憶若曦囘t | 显示全部楼层 发表于: 2019-8-3 18:07:27
囘憶若曦囘t 发表于: 2019-8-3 18:07:27 | 显示全部楼层
看帖回帖是美德!  Python项目源码 lol
回复

使用道具 举报

贾华森 | 显示全部楼层 发表于: 2019-8-3 18:10:28
贾华森 发表于: 2019-8-3 18:10:28 | 显示全部楼层
支持一下  Python项目源码 lol
回复

使用道具 举报

刀与菊滦 | 显示全部楼层 发表于: 2019-8-3 18:10:48
刀与菊滦 发表于: 2019-8-3 18:10:48 | 显示全部楼层
不错不错,很好哦
回复

使用道具 举报

月六日尘 | 显示全部楼层 发表于: 2019-8-3 18:30:18
月六日尘 发表于: 2019-8-3 18:30:18 | 显示全部楼层
LZ真是人才
回复

使用道具 举报

睡鱼 | 显示全部楼层 发表于: 2019-8-3 18:30:59
睡鱼 发表于: 2019-8-3 18:30:59 | 显示全部楼层
路过,学习下
回复

使用道具 举报

123458813 | 显示全部楼层 发表于: 2019-8-3 19:14:21
123458813 发表于: 2019-8-3 19:14:21 | 显示全部楼层
好好 学习了 确实不错
回复

使用道具 举报

諾篱hy | 显示全部楼层 发表于: 2019-8-3 19:25:30
諾篱hy 发表于: 2019-8-3 19:25:30 | 显示全部楼层
不错不错,很好哦
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

Archiver|手机版|小黑屋|网站地图|java自学教程|www.konglongmei.com

GMT+8, 2019-12-14 12:40 , Processed in 10.559719 second(s), 59 queries .

快速回复 返回顶部 返回列表