Deep Learning: 用Python進行深度學習的基礎理論實作
其他會員也一起購買
書名:DEEP LEARNING|用PYTHON進行深度學習的基礎理論實作
出版社:歐萊禮
出版年月:201708
條碼:9789864764846
內容簡介
不走捷徑,幫助您真正搞懂「深度學習」的真義
這是一本與「深度學習」有關的書籍。從入門開始說明,一步一步帶領你瞭解深度學習必須具備的知識。本書可以幫助您了解:深度學習究竟是什麼?有何特色?根據何種原理來運作?
從零開始,由實做中學習
本書的目標是,盡量避免使用不瞭解內容的「黑盒子」,以基礎的知識為起點,以容易上手的Python撰寫程式,從動手實作的過程中,一步步深入瞭解深度學習。若以車用書籍來比喻這本書的話,這本書並不屬於汽車駕訓教材,而是希望能夠幫助您瞭解車子的原理,而非教您開車的方法。為了瞭解汽車的結構,必須試著打開車子的引擎蓋,將每個零件都拿起來觀察、操作看看。然後盡量用簡單的形狀,篩選出車子的核心部分,就像組合迷你模型般,製作出這台車子。本書的目標,就是透過製作車子的過程,讓你感受到自己實際可以製作出車子,進而熟悉與車子的相關技術。
本書特色:
.利用最少的外部函式庫,使用Python,從零開始實際執行深度學習的程式。
.說明Python 的用法,讓Python 的初學者也能理解。
.實際執行Python 的原始碼,同時提供讀者手邊可以進行實驗的學習環境。
.從簡單的機器學習問題開始,到最後執行精密辨識影像的系統。
.以淺顯易懂的方式說明深度學習與神經網路理論。
.針對看似複雜的技術,如誤差反向傳播與卷積運算等,利用實際操作方式說明,幫助理解。
.介紹在執行深度學習時,有幫助且實用的技巧,包括決定學習率的方法、權重的預設值等。
.說明Batch Normalization、Dropout、Adam 等最近的趨勢與操作。
.為什麼深度學習很優秀,為什麼加深層數,就能提高辨識準確度,為什麼隱藏層很重要,仔細說明這些「為什麼」。
.介紹自動運作、產生影像、強化學習等深度學習的應用範例。
作者介紹
作者簡介
斎藤康毅
1984年生於長崎縣對馬,畢業於東京工業大學工學院,東京大學研究所學際情報學府學士課程修畢。現在於企業內從事與電腦視覺、機器學習有關的研究開發工作。1984年生於長崎縣對馬,畢業於東京工業大學工學院,東京大學研究所學際情報學府學士課程修畢。現在於企業內從事與電腦視覺、機器學習有關的研究開發工作。
目錄
第一章 Python入門
第二章 感知器
第三章 神經網路
第四章 神經網路的學習
第五章 誤差反向傳播法
第六章 與學習有關的技巧
第七章 卷積神經網路
第八章 深度學習
附錄A Softmax-with-Loss層的計算圖
參考文獻
立即查看
Deep Learning 3:用 Python 進行深度學習框架的開發實作 (1版)
其他會員也一起購買
Deep Learning 3:用Python進行深度學習框架的開發實作
系列名:電腦通訊
ISBN13:9789865027346
出版社:美商歐萊禮
作者:齊藤康毅
譯者:吳嘉芳
裝訂/頁數:平裝/488頁
規格:23cm*18.5cm*2.1cm (高/寬/厚)
出版日:2021/04/06
中國圖書分類:特殊電腦方法
內容簡介
從無到有的實作,在動手做的過程中強化對於深度學習的理解
或許您也曾經用過Tensorflow、PyTorch這類深度學習的框架(Framework),相信您也曾經對裡頭那些神奇的技術與有趣的結構嘆服不已。這本書就是為了解開這些疑問,正確瞭解這些技術而撰寫的。希望你可以從中體會這種技術性的「樂趣」。基於這個目的,本書將秉持著「從零開始製作」的方針,從無到有,一邊操作,一邊思考,透過實作加深理解,獲得審視現代深度學習框架的「新視野」。再藉由這個「新視野」,更廣泛、深入地理解深度學習。
高人氣、高評價的「Deep Learning基礎理論實作」系列第三部
《Deep Learning:用Python進行深度學習的基礎理論實作》、《Deep Learning 2|用Python進行自然語言處理的基礎理論實作》是從零開始進行深度學習,藉此瞭解相關結構。當時以單純性為優先,而「手動」設定了運算的「連結」。真正的框架是將這個部分自動化,Define-by-Run就是其中的一種手法,本書將利用從零開始製作DeZero的方式來學習這個機制。請別擔心,閱讀這本書不需要具備前作《Deep Learning:用Python進行深度學習的基礎理論實作》系列的知識。
目錄
第一階段 自動計算微分
STEP 1 把變數當成箱子
STEP 2 產生變數的函數
STEP 3 連結函數
STEP 4 數值微分
STEP 5 誤差反向傳播法的理論
STEP 6 手動執行誤差反向傳播法
STEP 7 誤差反向傳播法的自動化
STEP 8 從遞迴到迴圈
STEP 9 讓函數更方便
STEP 10 測試
第二階段 用自然的程式碼呈現
STEP 11 可變長度引數(正向傳播篇)
STEP 12 可變長度引數(改善篇)
STEP 13 可變長度引數(反向傳播篇)
STEP 14 重複使用相同變數
STEP 15 複雜的計算圖(理論篇)
STEP 16 複雜的計算圖(執行篇)
STEP 17 記憶體管理與循環參照
STEP 18 減少記憶體用量的模式
STEP 19 輕鬆使用變數
STEP 20 運算子多載(1)
STEP 21 運算子多載(2)
STEP 22 運算子多載(3)
STEP 23 整合成套件
STEP 24 複雜函數的微分
第三階段 計算高階微分
STEP 25 計算圖視覺化(1)
STEP 26 計算圖視覺化(2)
STEP 27 泰勒展開式的微分
STEP 28 函數最佳化
STEP 29 使用牛頓法最佳化(手動計算)
STEP 30 高階微分(準備篇)
STEP 31 高階微分(理論篇)
STEP 32 高階微分(執行篇)
STEP 33 使用牛頓法最佳化(自動計算)
STEP 34 sin 函數的高階微分
STEP 35 高階微分的計算圖
STEP 36 高階微分以外的用途
第四階段 建立類神經網路
STEP 37 處理張量
STEP 38 改變形狀的函數
STEP 39 加總函數
STEP 40 進行廣播的函數
STEP 41 矩陣乘積
STEP 42 線性迴歸
STEP 43 類神經網路
STEP 44 整合參數層
STEP 45 整合各層的整合層
STEP 46 用 Optimizer 更新參數
STEP 47 Softmax 函數與交叉熵誤差
STEP 48 多值分類
STEP 49 Dataset 類別與事前處理
STEP 50 取出小批次的 DataLoader
STEP 51 MNIST 的學習
第五階段 使用DeZero 進行挑戰
STEP 52 支援 GPU
STEP 53 儲存與載入模型
STEP 54 Dropout 與測試模式
STEP 55 CNN 的機制(1)
STEP 56 CNN 的機制(2)
STEP 57 conv2d 函數與 pooling 函數
STEP 58 具代表性的 CNN(VGG16)
STEP 59 用 RNN 處理時間序列資料
STEP 60 LSTM 與 DataLoader
APP A 原地演算法(STEP 14 的補充說明)
APP B 執行get_item 函數(STEP 47 的補充說明)
APP C 在 Google Colaboratory 執行
立即查看
Deep Learning 4|用Python進行強化學習的開發實作 (1版)
類似書籍推薦給您
本暢銷系列作品的第4本書,這次的主題是強化學習。書中延續此系列的一貫風格,顯示實際的程式碼,讓讀者邊執行邊學習,不依賴外部程式庫,從零開始建置、學習支撐強化學習的基本技術與概念。
從「理論」與「實踐」兩方面著手,仔細解說強化學習這個複雜主題的構成要素,讓讀者確實掌握強化學習的獨特理論。有別於只用公式說明理論的書籍,讀者可以從書中的程式碼,獲得許多意想不到的領悟。
回頁首
斎藤康毅
1984年生於長崎縣對馬,畢業於東京工業大學工學院,東京大學研究所學際情報學府學士課程修畢。現在於企業內從事與電腦視覺、機器學習有關的研究開發工作。1984年生於長崎縣對馬,畢業於東京工業大學工學院,東京大學研究所學際情報學府學士課程修畢。現在於企業內從事與電腦視覺、機器學習有關的研究開發工作。
目錄
第 1 章 吃角子老虎機問題
第 2 章 馬可夫決策過程
第 3 章 貝爾曼方程式
第 4 章 動態規劃法
第 5 章 蒙地卡羅法
第 6 章 TD 法
第 7 章 類神經網路與 Q 學習
第 8 章 DQN
第 9 章 策略梯度法
第 10 章 進階內容
附錄 A 離線策略蒙地卡羅法
附錄 B n 步 TD 法
附錄 C 理解 Double DQN
附錄 D 驗證策略梯度法
立即查看
Deep Reinforcement Learning Hands-On 2/E 2020 <Packt Publishing> (2版)
類似書籍推薦給您
立即查看
Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2/E 2017(Packt Publishing)
類似書籍推薦給您
立即查看