深度学习入门 基于Python的理论与实现【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

深度学习入门 基于Python的理论与实现PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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 NumPy11

1.5.1 导入NumPy11

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 Matplotlib16

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 SGD164

6.1.3 SGD的缺点166

6.1.4 Momentum168

6.1.5 AdaGrad170

6.1.6 Adam172

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 Normalization184

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 Dropout192

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CNN231

7.7.1 LeNet231

7.7.2 AlexNet232

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 ImageNet243

8.2.2 VGG244

8.2.3 GoogLeNet245

8.2.4 ResNet246

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