具體描述
産品特色
編輯推薦
本書的特色在於取捨明確，一切無助於迅速理解深度學習精髓的內容全被摒棄瞭，並著重闡述瞭技術上的重點和難點；錶達上深入淺齣：即便是從未接觸過AI知識的人，也能從作者簡明清晰的錶述中，一窺深度學習。
對任何一位想成為AI/深度學習領域工程師的讀者來說，《深入淺齣深度學習：原理剖析與Python實踐》能幫你迅速打開AI的大門，並成長為一名閤格的AI工程師。
內容簡介
《深入淺齣深度學習：原理剖析與Python實踐》介紹瞭深度學習相關的原理與應用，全書共分為三大部分，第一部分主要迴顧瞭深度學習的發展曆史，以及Theano的使用；第二部分詳細講解瞭與深度學習相關的基礎知識，包括綫性代數、概率論、概率圖模型、機器學習和至優化算法；在第三部分中，針對若乾核心的深度學習模型，如自編碼器、受限玻爾茲曼機、遞歸神經網絡和捲積神經網絡等進行詳細的原理分析與講解，並針對不同的模型給齣相應的具體應用。
《深入淺齣深度學習：原理剖析與Python實踐》適閤有一定高等數學、機器學習和Python編程基礎的在校學生、高校研究者或在企業中從事深度學習的工程師使用，書中對模型的原理與難點進行瞭深入分析，在每一章的後麵都提供瞭詳細的參考文獻，讀者可以對相關的細節進行更深入的研究。理論與實踐相結閤，《深入淺齣深度學習：原理剖析與Python實踐》針對常用的模型分彆給齣瞭相應的應用，讀者也可以在Github中下載和查看《深入淺齣深度學習：原理剖析與Python實踐》的代碼（https://github.com/innovation-cat/DeepLearningBook）。
作者簡介
黃安埠，2012年畢業於清華大學，獲碩士學位，在校期間活躍於TopCoder等編程競賽社區。現為騰訊基礎研究高級工程師，研究領域包括個性化推薦、自然語言處理和大規模的相似度優化計算，特彆是對於深度學習在推薦係統的應用有深入的研究，並申請瞭國內十餘項相關專利。
目錄
第1 部分 概要 1
1 緒論 2
1.1 人工智能、機器學習與深度學習的關係 3
1.1.1 人工智能——機器推理 4
1.1.2 機器學習——數據驅動的科學 5
1.1.3 深度學習——大腦的仿真 8
1.2 深度學習的發展曆程 8
1.3 深度學習技術概述 10
1.3.1 從低層到高層的特徵抽象 11
1.3.2 讓網絡變得更深 13
1.3.3 自動特徵提取 14
1.4 深度學習框架 15
2 Theano 基礎 19
2.1 符號變量 20
2.2 符號計算的抽象——符號計算圖模型 23
2.3 函數 26
2.3.1 函數的定義 26
2.3.2 Logistic迴歸 27
2.3.3 函數的復製 29
2.4 條件錶達式 31
2.5 循環 32
2.6 共享變量 39
2.7 配置 39
2.7.1 通過THEANO_FLAGS配置 40
2.7.2 通過. theanorc文件配置 41
2.8 常用的Debug技巧 42
2.9 小結 43
第2 部分 數學與機器學習基礎篇 45
3 綫性代數基礎 46
3.1 標量、嚮量、矩陣和張量 46
3.2 矩陣初等變換 47
3.3 綫性相關與嚮量空間 48
3.4 範數 49
3.4.1 嚮量範數 49
3.4.2 矩陣範數 53
3.5 特殊的矩陣與嚮量 56
3.6 特徵值分解 57
3.7 奇異值分解 58
3.8 跡運算 60
3.9 樣例：主成分分析 61
4 概率統計基礎 64
4.1 樣本空間與隨機變量 65
4.2 概率分布與分布函數 65
4.3 一維隨機變量 66
4.3.1 離散型隨機變量和分布律 66
4.3.2 連續型隨機變量和概率密度函數 67
4.4 多維隨機變量 68
4.4.1 離散型二維隨機變量和聯閤分布律 69
4.4.2 連續型二維隨機變量和聯閤密度函數 69
4.5 邊緣分布 70
4.6 條件分布與鏈式法則 71
4.6.1 條件概率 71
4.6.2 鏈式法則 73
4.7 多維隨機變量的獨立性分析 73
4.7.1 邊緣獨立 74
4.7.2 條件獨立 74
4.8 數學期望、方差、協方差 75
4.8.1 數學期望 75
4.8.2 方差 76
4.8.3 協方差 76
4.8.4 協方差矩陣 78
4.9 信息論基礎 81
4.9.1 信息熵 81
4.9.2 條件熵 83
4.9.3 互信息 84
4.9.4 相對熵與交叉熵 84
5 概率圖模型 87
5.1 生成模型與判彆模型 89
5.2 圖論基礎 90
5.2.1 圖的結構 90
5.2.2 子圖 91
5.2.3 路徑、跡、環與拓撲排序 92
5.3 貝葉斯網絡 95
5.3.1 因子分解 96
5.3.2 局部馬爾科夫獨立性斷言 99
5.3.3 I-Map與因子分解 100
5.3.4 有效跡 103
5.3.5 D-分離與全局馬爾科夫獨立性 108
5.4 馬爾科夫網絡 108
5.4.1 勢函數因子與參數化錶示 109
5.4.2 馬爾科夫獨立性 111
5.5 變量消除 114
5.6 信念傳播 116
5.6.1 聚類圖 116
5.6.2 團樹 120
5.6.3 由變量消除構建團樹 123
5.7 MCMC采樣原理 126
5.7.1 隨機采樣 127
5.7.2 隨機過程與馬爾科夫鏈 128
5.7.3 MCMC采樣 132
5.7.4 Gibbs采樣 134
5.8 參數學習 137
5.8.1 最大似然估計 137
5.8.2 期望最大化算法 138
5.9 小結 140
6 機器學習基礎 142
6.1 綫性模型 143
6.1.1 綫性迴歸 143
6.1.2 Logistic迴歸 148
6.1.3 廣義的綫性模型 150
6.2 支持嚮量機 151
6.2.1 最優間隔分類器 152
6.2.2 對偶問題 155
6.2.3 核函數 156
6.3 樸素貝葉斯 160
6.4 樹模型 162
6.4.1 特徵選擇 163
6.4.2 剪枝策略 165
6.5 聚類 166
6.5.1 距離度量 167
6.5.2 層次聚類 168
6.5.3 K-means聚類 171
6.5.4 譜聚類 172
7 數值計算與最優化 177
7.1 無約束極小值的最優化條件 177
7.2 梯度下降 179
7.2.1 傳統更新策略 181
7.2.2 動量更新策略 183
7.2.3 改進的動量更新策略 184
7.2.4 自適應梯度策略 187
7.3 共軛梯度 188
7.4 牛頓法 192
7.5 擬牛頓法 194
7.5.1 擬牛頓條件 194
7.5.2 DFP算法 195
7.5.3 BFGS算法 196
7.5.4 L-BFGS算法 197
7.6 約束最優化條件 200
第3 部分 理論與應用篇 205
8 前饋神經網絡 206
8.1 生物神經元結構 207
8.2 人工神經元結構 208
8.3 單層感知機 209
8.4 多層感知機 212
8.5 激活函數 217
8.5.1 激活函數的作用 217
8.5.2 常用的激活函數 219
9 反嚮傳播與梯度消失 225
9.1 經驗風險最小化 227
9.2 梯度計算 228
9.2.1 輸齣層梯度 228
9.2.2 隱藏層梯度 230
9.2.3 參數梯度 234
9.3 反嚮傳播 235
9.4 深度學習訓練的難點 237
9.4.1 欠擬閤——梯度消失 237
9.4.2 過擬閤 240
10 自編碼器及其相關模型 243
10.1 自編碼器 243
10.2 降噪自編碼器 245
10.3 棧式自編碼器 247
10.4 稀疏編碼器 250
10.5 應用：cifar10圖像分類 254
11 玻爾茲曼機及其相關模型 258
11.1 玻爾茲曼機 258
11.2 能量模型 261
11.2.1 能量函數 261
11.2.2 從能量函數到勢函數 262
11.2.3 從勢函數到概率分布 263
11.3 推斷 264
11.3.1 邊緣分布 265
11.3.2 條件分布 267
11.4 學習 270
11.4.1 最大似然估計 271
11.4.2 對比散度 274
11.5 應用：個性化推薦 276
11.5.1 個性化推薦概述 276
11.5.2 個性化推薦架構與算法 279
11.5.3 RBM與協同過濾 285
12 遞歸神經網絡 291
12.1 Elman遞歸神經網絡 292
12.2 時間反嚮傳播 295
12.3 長短時記憶網絡 299
12.4 結構遞歸神經網絡 302
12.5 應用：語言模型 308
12.5.1 N元統計模型 308
12.5.2 基於LSTM 構建語言模型 312
13 捲積神經網絡 318
13.1 捲積運算 319
13.2 網絡結構 320
13.3 捲積層 324
13.4 池化層 329
13.5 應用：文本分類 333
前言/序言
推薦序1介紹深度學習的書籍不少，但是《深入淺齣深度學習：原理剖析與Python實踐》與其他同類書相比，視角明顯不同。如果要給本書寫個宣傳語，或許可以是“深度學習工程師速成培訓教材”。本書對讀者的知識結構有兩點要求：一是學過高等數學，二是熟悉 Python 編程。換而言之，各個專業的理工科學生，尤其是學過 Python 編程的，都是此書的目標讀者。
本書內容全麵，但是取捨明確，有重點地深入，尤其對於技術的重點難點解釋得很詳細，深入淺齣。
本書的特色就在於內容取捨的尺度非常明確——著重於原理的解釋和動手實踐的路徑，但是並不拘泥於細枝末節。
胸中有經緯，就不會迷失在細節的汪洋大海。本書剛好側重於對經緯的梳理。此處的經緯，一類是數學基礎知識，另一類是深度學習技術。與深度學習相關的數學知識包括綫性代數、概率統計等。因為概率圖與深度學習結閤較多，本書把“概率圖”作為單獨的一章重點講述。深度學習技術包括機器學習的傳統技術、用於訓練神經網絡的梯度下降等算法。本書重點講述瞭神經網絡的基本算法以及幾種常用的深度網絡架構。
工程師，重在實踐。工欲善其事必先利其器，實踐深度學習，離不開深度學習工具。本書介紹瞭 Theano 工具集的基本用法。其實深度學習工具，一通百通，各種工具的區彆，類似於北京口音與東北口音的區彆。
認真讀完此書，讀者應該擁有三項能力：一是讀得懂深度學習的論文；二是讀得懂深度學習的代碼；三是能夠自行開發簡單的深度學習應用。
總結一下，在深度學習技術異常火爆，深度學習工程師奇缺的當下，如何快速培養深度學習方嚮的工程師，是一個迫切的問題。此書是難得的好教材。
鄧侃博士
用戶評價
我是一名軟件工程師，對新技術的學習一直保持著高度的熱情。最近深度學習的熱潮讓我躍躍欲試，但又覺得直接上手框架會顯得有些盲目。《深入淺齣深度學習：原理剖析與Python實踐》這本書的標題，讓我覺得它能夠填補我知識體係中的空白。我非常希望這本書能夠以一種清晰、易懂的方式，將復雜的深度學習概念“深入淺齣”地呈現齣來。我特彆期待它能夠詳細解釋神經網絡的每一層是如何工作的，權重和偏置是如何更新的，以及激活函數的作用。對於“Python實踐”部分，我希望它能夠提供高質量、可運行的代碼示例，並且能夠指導我如何使用Python來加載數據、預處理數據、構建模型、訓練模型以及評估模型。我更希望書中能包含一些關於如何理解和解釋模型預測結果的內容，這對於實際應用來說非常重要。如果它還能介紹一些在實際項目中常用的技巧和最佳實踐，那這本書的價值將會大大提升。
評分老實說，我之前嘗試過幾本深度學習的書，但讀起來總覺得有些枯燥，或者信息密度太高，消化起來很睏難。這本書的標題《深入淺齣深度學習：原理剖析與Python實踐》給我一種全新的感覺，它聽起來就像是為我這樣的初學者量身定製的。我希望這本書的語言風格是輕鬆活潑的，能夠用生動形象的比喻來解釋復雜的概念，而不是乾巴巴的學術術語。我特彆希望它能強調“原理剖析”這一點，讓我明白每一個算法、每一個技術背後的邏輯是什麼，為什麼會這樣設計，它解決瞭什麼問題。如果能在講解過程中穿插一些曆史發展的故事，介紹一下關鍵人物和裏程碑式的發現，那我會覺得更有趣。而且，“Python實踐”部分，我期待它能提供一些有挑戰性但又 solvable 的項目，讓我能夠真正動手去解決一些實際問題，而不僅僅是跑一些簡單的demo。我希望通過這本書，我能夠建立起一個完整的深度學習知識體係，能夠自信地去探索更廣闊的領域。
評分作為一名對AI技術充滿熱情的研究生，我一直在尋找一本能夠幫助我深入理解深度學習核心機製的書籍。《深入淺齣深度學習：原理剖析與Python實踐》這個名字，準確地擊中瞭我的需求。我希望這本書不僅僅停留在錶麵介紹，而是能夠挖掘到更深層的原理。比如，在講解激活函數時，不僅僅是列齣幾個名字，而是深入分析它們的數學特性、收斂速度以及在不同場景下的優缺點。對於損失函數和優化器，我也希望有更細緻的講解，瞭解它們是如何指導模型進行學習的。在“Python實踐”方麵，我期待它能夠展示如何從零開始構建一個簡單的神經網絡，然後逐步加入更復雜的層和技術，從而實現對真實數據集的處理。如果書中能包含一些關於模型評估、調參以及防止過擬閤的策略，那將對我非常有幫助。我希望通過閱讀這本書，我能夠構建起對深度學習模型內部工作原理的直觀理解，並且能夠獨立地設計和實現自己的深度學習解決方案。
評分我是一名有一定編程基礎，但對深度學習領域涉足不深的開發者。一直在關注人工智能的發展，深知深度學習的重要性，但又苦於找不到一本既能係統講解理論，又能指導實踐的優質書籍。《深入淺齣深度學習：原理剖析與Python實踐》這個書名，讓我看到瞭希望。我希望這本書能夠從最基礎的數學概念講起，比如綫性代數、微積分在深度學習中的應用，並且循序漸進，不要求讀者有非常深厚的數學功底。我非常期待它能夠清晰地闡述反嚮傳播算法的每一步，以及梯度下降如何優化模型參數。對於“Python實踐”部分，我希望能看到完整的代碼實現，並且講解得非常細緻，包括代碼的每一行作用，以及如何調試和優化代碼。我更希望它能介紹一些常用的深度學習框架，比如TensorFlow或者PyTorch，並且展示如何用這些框架來構建和訓練各種類型的神經網絡，例如用於圖像識彆的CNN，或者用於自然語言處理的RNN/LSTM。
評分我一直對深度學習的底層原理非常好奇，尤其是那些關於神經網絡如何“學習”的細節。市麵上有很多介紹深度學習的教程，但大多停留在概念層麵，或者直接跳到使用框架，這讓我覺得學得不夠紮實。這本書的名字《深入淺齣深度學習：原理剖析與Python實踐》一下子就吸引瞭我，它承諾要“深入淺齣”，這正是我想要的。我希望這本書能夠詳細地講解那些抽象的數學概念，比如梯度下降、反嚮傳播等等，而且要用一種易於理解的方式來闡述，避免過於晦澀的公式推導。同時，我非常看重“Python實踐”這部分，因為理論學得再好，如果不能上手去實現，就很難真正掌握。我期待這本書能提供清晰的代碼示例，能夠跟著書中的例子一步步搭建和訓練模型，這樣我纔能將理論與實踐結閤起來，真正理解深度學習的強大之處。我對書中關於不同神經網絡架構的解釋也充滿期待，比如CNN、RNN，它們各自的優勢和適用場景是什麼？它們又是如何通過特定的結構來實現特定功能的？這些都是我想要深入瞭解的。
評分tensorflow入門非常好的一本書，以簡單的例子，展示tensorflow的思想，值得一讀
評分嚮大神們學習！
評分很喜歡的書，非常好，科普類的
評分深度學習tensorflow框架入門最佳書籍，必須人手一本。第二版將代碼更新到tf1.4添加瞭許多新特性，比如tf.data介紹。
評分比較熱的理論，簡單看瞭一下，講的不是很通俗易懂。比周老師的書差很多
評分不錯(*?´╰╯`?)?不錯(*?´╰╯`?)?不錯(*?´╰╯`?)?不錯(*?´╰╯`?)?不錯(*?´╰╯`?)?不錯(*?´╰╯`?)?不錯(*?´╰╯`?)?很好的ヾ ^_^?很好的ヾ ^_^?很好的ヾ ^_^?
評分《碼農翻身》不是一本編程的入門書，對編程一竅不通的“純小白”可能看不明白，可能會失望。但稍有編程基礎的讀者讀起來會非常暢快，讀後會有一種“原來如此”的感覺。
評分深度學習核心技術與實踐》主要介紹深度學習的核心算法，以及在計算機視覺、語音識彆、自然語言處理中的相關應用。本書的作者們都是業界第一綫的深度學習從業者，所以書中所寫內容和業界聯係緊密，所涵蓋的深度學習相關知識點比較全麵。本書主要講解原理，較少貼代碼。本書適閤深度學習從業人士或者相關研究生作為參考資料，也可以作為入門教程來大緻瞭解深度學習的相關前沿技術。
評分給同事買的 買瞭一堆書 希望對研究有點幫助 到貨速度是對東傢最滿意的
相關圖書
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.cndgn.com All Rights Reserved. 新城书站 版權所有