深度学习入门：基于Python的理论与实现中文版怎么样?最新电子版pdf下载:
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“为什么”的问题。
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
1.3 Python解释器 4
1.4 Python脚本文件 9
1.5 NumPy 11
1.6 Matplotlib 16
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
2.3 感知机的实现 25
2.4 感知机的局限性 28
2.5 多层感知机 31
2.6 从与非门到计算机 35
2.7 小结 36
第3章 神经网络 37
3.2 激活函数 42
3.3 多维数组的运算 50
3.4 3 层神经网络的实现 56
3.5 输出层的设计 63
3.6 手写数字识别 69
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
4.2 损失函数 85
4.3 数值微分 94
4.4 梯度 100
4.5 学习算法的实现 109
4.6 小结 118
第5章 误差反向传播法 121
5.1 计算图 121
5.2 链式法则 126
5.3 反向传播 130
5.4 简单层的实现 135
5.5 激活函数层的实现 139
5.6 AffineSoftmax层的实现 144
5.7 误差反向传播法的实现 154
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
6.2 权重的初始值 176
6.4 正则化 188
6.5 超参数的验证 195
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
7.3 池化层 214
7.4 卷积层和池化层的实现 216
7.5 CNN的实现 224
7.6 CNN的可视化 228
7.7 具有代表性的CNN 231
7.8 小结 233
第8章 深度学习 235
8.1 加深网络 235
8.2 深度学习的小历史 242
8.3 深度学习的高速化 248
8.5 深度学习的未来 258
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