深入淺齣神經網絡與深度學習 pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

本書深入講解神經網絡和深度學習技術，側重於闡釋深度學習的核心概念。作者以技術原理為導嚮，輔以貫穿全書的MNIST手寫數字識彆項目示例，介紹神經網絡架構、反嚮傳播算法、過擬閤解決方案、捲積神經網絡等內容，以及如何利用這些知識改進深度學習項目。學完本書後，讀者將能夠編寫Python代碼解決復雜的模式識彆問題。

這是一本非常好的深度學習入門書，相信一定會得到大傢的喜愛。

——李航

字節跳動科技有限公司人工智能實驗室總監、ACL會士、IEEE會士、ACM傑齣科學傢

這本書從神經網絡和深度學習的基本原理入手，詳細地解釋瞭神經網絡和深度學習的核心概念，兼顧理論和實踐，是深入瞭解神經網絡和深度學習的一本好書。

——馬少平

清華大學計算機係教授、博士生導師

我從看完第1章開始就被其深入淺齣的文字以及清晰的代碼實現所吸引。我相信，這本書的正式齣版一定會讓更多的讀者受益。

——車萬翔

哈爾濱工業大學計算機科學與技術學院信息檢索研究中心教授、博士生導師

這是一本獨特且有趣的神經網絡入門書，其細緻程度基本上做到瞭手把手教學，非常適閤初學者。我期待這本書能照亮更多人的人工智能之路。

——俞揚

南京大學人工智能學院教授、博士生導師

這是一位物理學傢寫的機器學習書，內容清晰易懂，對神經網絡的描述也直觀形象，非常適閤用來入門神經網絡和深度學習。

——邱锡鵬

復旦大學計算機學院教授、博士生導師

這是一本關於神經網絡和深度學習的“親近”易讀的書，它將帶領你輕鬆入門人工智能世界。

——張偉楠

上海交通大學計算機科學與工程係副教授、博士生導師

這本不可多得的好書通過豐富的示例和代碼實踐做到瞭知行閤一。

——王昊奮

同濟大學特聘研究員、OpenKG聯閤創始人

這本量子物理學傢筆下的好書以一個個生動的實例驅動你恨不得一口氣讀完！

——徐涵

華為歐洲研究院高級戰略規劃經理

【作者簡介】

邁剋爾·尼爾森（Michael Nielsen）

計算機科學傢、量子物理學傢、科普作傢，Y Combinator Research的研究Fellow，曾受邀在哈佛大學、斯坦福大學、麻省理工學院、劍橋大學、牛津大學等高校以及榖歌和微軟等公司做主題演講，另著有高分作品《重塑發現》和《量子計算和量子信息》。

【譯者簡介】

硃小虎

University AI創始人兼首席科學傢、Center for Safe AGI創始人、榖歌開發者機器學習專傢、百度深度學習布道者。和團隊核心成員一起創建瞭TASA、DL Center（深度學習知識中心全球價值網絡）和AI Growth（行業智庫培訓）等。舉辦過多場國際性人工智能峰會和活動。在多個技術平颱寫下瞭近百萬字的人工智能精品技術內容。曾受邀為多所國內高校製定人工智能學習規劃和教授人工智能前沿課程，也曾為多傢世界500強企業提供人工智能方麵的戰略布局建議及落地實施等方麵的谘詢建議。

本書贊譽
譯者序
前言
第1章 使用神經網絡識彆手寫數字 1
1.1 感知機 2
1.2 sigmoid神經元 7
1.3 神經網絡的架構 11
1.4 一個簡單的神經網絡：分類手寫數字 13
1.5 利用梯度下降算法進行學習 17
1.6 實現分類數字的神經網絡 25
1.7 邁嚮深度學習 37
第2章 反嚮傳播算法工作原理 41
2.1 熱身：使用矩陣快速計算輸齣 41
2.2 關於代價函數的兩個假設 43
2.3 阿達馬積s⊙t 45
2.4 反嚮傳播的4個基本方程 45
2.5 基本方程的證明（選學） 50
2.6 反嚮傳播算法 51
2.7 反嚮傳播代碼 53
2.8 就何而言，反嚮傳播算快 55
2.9 反嚮傳播：全局觀 56
第3章 改進神經網絡的學習方法 60
3.1 交叉熵代價函數 60
3.1.1 引入交叉熵代價函數 64
3.1.2 使用交叉熵來對MNIST數字進行分類 71
3.1.3 交叉熵的含義與起源 72
3.1.4 softmax 74
3.2 過擬閤和正則化 78
3.2.1 正則化 84
3.2.2 為何正則化有助於減輕過擬閤 89
3.2.3 其他正則化技術 93
3.3 權重初始化 102
3.4 復探手寫識彆問題：代碼 106
3.5 如何選擇神經網絡的超參數 116
3.6 其他技術 126
3.6.1 隨機梯度下降算法的變化形式 126
3.6.2 其他人工神經元模型 129
3.6.3 有關神經網絡的故事 132
第4章 神經網絡可以計算任何函數的可視化證明 134
4.1 兩個預先聲明 136
4.2 一個輸入和一個輸齣的普遍性 137
4.3 多個輸入變量 146
4.4 不止sigmoid神經元 154
4.5 修補階躍函數 156
4.6 小結 159
第5章 為何深度神經網絡很難訓練 160
5.1 梯度消失問題 163
5.2 梯度消失的原因 168
5.2.1 為何齣現梯度消失 170
5.2.2 梯度爆炸問題 171
5.2.3 梯度不穩定問題 172
5.2.4 梯度消失問題普遍存在 172
5.3 復雜神經網絡中的梯度不穩定 173
5.4 深度學習的其他障礙 174
第6章 深度學習 175
6.1 捲積神經網絡入門 176
6.1.1 局部感受野 178
6.1.2 共享權重和偏置 180
6.1.3 池化層 182
6.2 捲積神經網絡的實際應用 184
6.2.1 使用修正綫性單元 188
6.2.2 擴展訓練數據 189
6.2.3 插入額外的全連接層 191
6.2.4 集成神經網絡 192
6.3 捲積神經網絡的代碼 195
6.4 圖像識彆領域近期的進展 208
6.4.1 2012年的LRMD論文 208
6.4.2 2012年的KSH論文 209
6.4.3 2014年的ILSVRC競賽 211
6.4.4 其他活動 212
6.5 其他深度學習模型 214
6.5.1 循環神經網絡 214
6.5.2 長短期記憶單元 216
6.5.3 深度信念網絡、生成模型和玻爾茲曼機 216
6.5.4 其他想法 217
6.6 神經網絡的未來 217
6.6.1 意圖驅動的用戶界麵 217
6.6.2 機器學習、數據科學和創新的循環 218
6.6.3 神經網絡和深度學習的作用 218
6.6.4 神經網絡和深度學習將主導人工智能 219
附錄 是否存在關於智能的簡單算法 222
版權聲明
· · · · · · (收起)