新書推薦：
《
耕读史
》
售價：NT$
500.0
《
地理计算与R语言
》
售價：NT$
551.0
《
沈括的知识世界：一种闻见主义的实践（中华学术译丛）
》
售價：NT$
398.0
《
大思维：哥伦比亚商学院六步创新思维模型
》
售價：NT$
332.0
《
宏观经济学（第三版）【2024诺贝尔经济学奖获奖者作品】
》
售價：NT$
709.0
《
UE5虚幻引擎必修课（视频教学版）
》
售價：NT$
505.0
《
真需求
》
售價：NT$
505.0
《
阿勒泰的春天
》
售價：NT$
230.0
|
| 編輯推薦： |
1.中国工程院院士陈志杰倾情作序，业内专家黄文涛、陈晓禾联袂力荐。
2.以深度学习算法入门为主要内容，以NumPy、SciPy等科学计算库，深度学习主流算法，深度学习前沿研究，深度学习服务云平台构建四大主线进行介绍。
3.详细讲解了算法背后的数学原理，给出了基于TensorFlow和Theano的算法实现技术。
4.以MNIST手写数字识别为例，应用所介绍的技术，这是一本兼顾理论与实践的深度学习自学参考书。
|
| 內容簡介： |
|
本书以深度学习算法入门为主要内容，通过系统介绍Python、NumPy、SciPy等科学计算库，深度学习主流算法，深度学习前沿研究，深度学习服务云平台构建四大主线，向读者系统地介绍了深度学习的主要内容和研究进展。本书介绍了Python、NumPy、SciPy的使用技巧，面向谷歌推出的开源深度学习框架TensorFlow，向读者展示了利用TensorFlow和Theano框架实现线性回归、逻辑回归、多层感知器、卷积神经网络、递归神经网络、长短时记忆网络、去噪自动编码机、堆叠自动编码机、受限玻尔兹曼机、深度信念网络等，并将这些技术用于MNIST手写数字识别任务。本书不仅讲述了深度学习算法本身，而且重点讲述了如何将这些深度学习算法包装成Web服务。本书旨在帮助广大工程技术人员快速掌握深度学习相关理论和实践，并将这些知识应用到实际工作中。
|
| 關於作者： |
|
闫涛，网名“最老程序员”。中科院苏州生物医学工程技术研究所副研究员（兼），科技部重点专项：帕金森症早期预防、“十三五”出生缺陷预防系统研究课题组成员，专注于深度学习在医学影像学诊断、医学图像分割、医学图像诊断性标注等应用方向的技术开发。CSDN博客重度使用者，博客地址http：blog.csdn.netyt7589。北京动维康科技有限公司联合创始人、首席技术官，主持开发了移动医疗系统随诊医生。专注于移动互联网软件开发20年，精通主流开发技术，尤其擅长处理大容量、高并发系统的设计与实现。开源软件倡导者，本书部分代码的GitHub网址为https：github.comyt7589dlptreemasterbook。
|
| 目錄：
|
目录
第一部分深度学习算法概述
第1章深度学习算法简介2
1.1神经网络发展简史2
1.1.1神经网络第一次兴起3
1.1.2神经网络沉寂期（20世纪80年代21世纪）4
1.1.3神经网络技术积累期（20世纪90年代2006年）5
1.1.4深度学习算法崛起（2006年至今）8
1.2深度学习现状10
1.2.1传统神经网络困境10
1.2.2深度多层感知器12
1.2.3深度卷积神经网络14
1.2.4深度递归神经网络15
1.3深度学习研究前瞻16
1.3.1自动编码机17
1.3.2深度信念网络18
1.3.3生成式网络最新进展19
1.4深度学习框架比较20
1.4.1TensorFlow20
1.4.2Theano21
1.4.3Torch22
1.4.4DeepLearning4J23
1.4.5Caffe23
1.4.6MXNet24
1.4.7CNTK27
1.4.8深度学习框架造型指导原则27
1.5深度学习入门路径28
1.5.1运行MNIST28
1.5.2深度学习框架的选择29
1.5.3小型试验网络33
1.5.4训练生产网络33
1.5.5搭建生产环境34
1.5.6持续改进35
第二部分深度学习算法基础
第2章搭建深度学习开发环境38
2.1安装Python开发环境38
2.1.1安装最新版本Python38
2.1.2Python虚拟环境配置39
2.1.3安装科学计算库40
2.1.4安装最新版本Theano40
2.1.5图形绘制40
2.2NumPy简易教程43
2.2.1Python基础43
2.2.2多维数组的使用51
2.2.3向量运算58
2.2.4矩阵运算60
2.2.5线性代数62
2.3TensorFlow简易教程68
2.3.1张量定义69
2.3.2变量和placeholder69
2.3.3神经元激活函数71
2.3.4线性代数运算72
2.3.5操作数据集74
2.4Theano简易教程77
2.4.1安装Theano77
2.4.2Theano入门78
2.4.3Theano矩阵相加79
2.4.4变量和共享变量80
2.4.5随机数的使用84
2.4.6Theano求导84
2.5线性回归86
2.5.1问题描述86
2.5.2线性模型88
2.5.3线性回归学习算法89
2.5.4解析法90
2.5.5Theano实现93
第3章逻辑回归100
3.1逻辑回归数学基础100
3.1.1逻辑回归算法的直观解释100
3.1.2逻辑回归算法数学推导101
3.1.3牛顿法解逻辑回归问题103
3.1.4通用学习模型106
3.2逻辑回归算法简单应用113
3.3MNIST手写数字识别库简介124
3.4逻辑回归MNIST手写数字识别126
第4章感知器模型和MLP139
4.1感知器模型139
4.1.1神经元模型139
4.1.2神经网络架构143
4.2数值计算形式144
4.2.1前向传播144
4.2.2误差反向传播145
4.2.3算法推导147
4.3向量化表示形式152
4.4应用要点153
4.4.1输入信号模型154
4.4.2权值初始化155
4.4.3早期停止155
4.4.4输入信号调整156
4.5TensorFlow实现MLP156
第5章卷积神经网络174
5.1卷积神经网络原理174
5.1.1卷积神经网络的直观理解174
5.1.2卷积神经网络构成177
5.1.3卷积神经网络设计191
5.1.4迁移学习和网络微调193
5.2卷积神经网络的TensorFlow实现195
5.2.1模型搭建197
5.2.2训练方法203
5.2.3运行方法208
第6章递归神经网络212
6.1递归神经网络原理212
6.1.1递归神经网络表示方法213
6.1.2数学原理214
6.1.3简单递归神经网络应用示例219
6.2图像标记226
6.2.1建立开发环境226
6.2.2图像标记数据集处理227
6.2.3单步前向传播229
6.2.4单步反向传播231
6.2.5完整前向传播234
6.2.6完整反向传播236
6.2.7单词嵌入前向传播239
6.2.8单词嵌入反向传播241
6.2.9输出层前向反向传播243
6.2.10输出层代价函数计算245
6.2.11图像标注网络整体架构248
6.2.12代价函数计算249
6.2.13生成图像标记255
6.2.14网络训练过程258
6.2.15网络持久化265
第7章长短时记忆网络269
7.1长短时记忆网络原理269
7.1.1网络架构269
7.1.2数学公式272
7.2MNIST手写数字识别274
第三部分深度学习算法进阶
第8章自动编码机286
8.1自动编码机概述286
8.1.1自动编码机原理287
8.1.2去噪自动编码机287
8.1.3稀疏自动编码机288
8.2去噪自动编码机TensorFlow实现291
8.3去噪自动编码机的Theano实现298
第9章堆叠自动编码机307
9.1堆叠去噪自动编码机308
9.2TensorFlow实现322
9.3Theano实现341
第10章受限玻尔兹曼机344
10.1受限玻尔兹曼机原理344
10.1.1网络架构344
10.1.2能量模型346
10.1.3CD-K算法351
10.2受限玻尔兹曼机TensorFlow实现353
10.3受限玻尔兹曼机Theano实现362
第11章深度信念网络381
11.1深度信念网络原理381
11.2深度信念网络TensorFlow实现382
11.3深度信念网络Theano实现403
第四部分机器学习基础
第12章生成式学习420
12.1高斯判别分析422
12.1.1多变量高斯分布422
12.1.2高斯判决分析公式423
12.2朴素贝叶斯436
12.2.1朴素贝叶斯分类器436
12.2.2拉普拉斯平滑439
12.2.3多项式事件模型441
第13章支撑向量机444
13.1支撑向量机概述444
13.1.1函数间隔和几何间隔445
13.1.2最优距离分类器448
13.2拉格朗日对偶448
13.3最优分类器算法450
13.4核方法453
13.5非线性可分问题455
13.6SMO算法457
13.6.1坐标上升算法458
13.6.2SMO算法详解458
第五部分深度学习平台API
第14章Python Web编程462
14.1Python Web开发环境搭建462
14.1.1CherryPy框架463
14.1.2CherryPy安装463
14.1.3测试CherryPy安装是否成功464
14.2最简Web服务器465
14.2.1程序启动465
14.2.2显示HTML文件466
14.2.3静态内容处理468
14.3用户认证系统471
14.4AJAX请求详解473
14.4.1添加数据474
14.4.2修改数据476
14.4.3删除数据478
14.4.4REST服务实现479
14.5数据持久化技术487
14.5.1环境搭建487
14.5.2数据库添加操作488
14.5.3数据库修改操作489
14.5.4数据库删除操作490
14.5.5数据库查询操作491
14.5.6数据库事务操作492
14.5.7数据库连接池494
14.6任务队列499
14.7媒体文件上传502
14.8Redis操作504
14.8.1Redis安装配置504
14.8.2Redis使用例程505
第15章深度学习云平台506
15.1神经网络持久化506
15.1.1数据库表设计506
15.1.2整体目录结构511
15.1.3训练过程及模型文件保存512
15.2神经网络运行模式528
15.3AJAX请求调用神经网络531
15.3.1显示静态网页531
15.3.2上传图片文件540
15.3.3AJAX接口543
15.4请求合法性验证545
15.4.1用户注册和登录546
15.4.2客户端生成请求553
15.4.3服务器端验证请求555
15.5异步结果处理557
15.5.1网页异步提交557
15.5.2应用队列管理模块559
15.5.3任务队列560
15.5.4结果队列561
15.5.5异步请求处理流程562
15.6神经网络持续改进563
15.6.1应用遗传算法563
15.6.2重新训练564
15.6.3生成式对抗网络565
后记567
参考文献568
|
| 內容試閱：
|
前 言
2016年上半年，随着AlphaGo战胜围棋世界冠军李世石，深度学习技术迅速进入大众的视野，成为热门技术。无论是科技领域还是创业投资领域，深度学习技术都受到了前所未有的关注，面向深度学习技术的初创公司不断刷新融资数额的纪录。
随着深度学习技术的流行，市场上对于深度学习人才的需求量激增。但是，由于深度学习技术涉及高等数学、线性代数、数理统计和机器学习相关知识，故学习曲线比较陡峭。目前国内外著名大学深度学习相关专业硕博士、国家重点实验室学生，都被BAT等一线互联网公司抢光了，人才大战有愈演愈烈之势。普通公司和初创公司，在这场人才大战中处于劣势，面临着越来越严重的人才荒。
随着深度学习技术的深入应用，企业对深度学习技术人才的渴求是正常的，但是当前市场上对深度学习技术人才的需求是非理性的。一方面，大家疯抢的深度学习人才都是著名院校的硕博士和重点实验室的研究员，但是这部分人所受的训练和精通的领域是做算法研究，而企业的目的是实际应用，二者在很大程度上是不匹配的，最后可能是企业下了血本却没有产生效益；另一方面，对于很多深度学习应用来说，对项目本身业务的理解，比对深度学习算法的理解要重要得多，而由于业务专家不懂深度学习技术，致使很多好的应用领域没有合适的人才来做。
编写本书的目的就是解决上述问题，希望读者可以通过对本书的学习，迅速掌握深度学习的理论框架和知识体系，具备在自己的专业领域内应用深度学习技术的能力，同时还具备跟踪深度学习领域最新进展的能力，能够独立复现顶级期刊文章中介绍的新方法和新理论。
本书内容及知识体系
第一部分为深度学习算法概述，包括第1章。
第1章简单介绍神经网络和深度学习发展史、现状和发展趋势，介绍并比较了深度学习开源框架，还介绍了开源框架的选择标准。
第二部分为深度学习算法基础，主要讲述深度学习算法中比较成熟的算法，包括第2章到第7章。
第2章介绍Python开发环境的搭建、NumPy的使用、Theano的安装和使用，并用本章介绍的知识实现一个简单的线性回归算法的程序。
第3章讲述逻辑回归算法的数学推导过程，并且讲述了通用学习模型的相关知识，还利用逻辑回归算法对MNIST手写数字识别数据集进行训练和识别。
第4章讲述多层感知器模型算法推导过程，以及数值计算与向量表示方式，并利用多层感知器模型对MNIST手写数字识别数据集进行训练和识别。
第5章讲述卷积神经网络的数学原理，详细讲解卷积神经网络的层间稀疏连接、权值共享和最大池化等技术，并利用卷积神经网络模型对MNIST手写数字识别数据集进行训练和识别。
第6章讲述递归神经网络的数学原理，以字符RNN网络为例，向读者演示了简单的计算机写作系统。而且，以微软图像标注数据集为例，以测试驱动开发的形式，向读者介绍利用递归神经网络做图像标注的典型应用。
第7章讲述长短时记忆网络的网络架构和数学原理，并以大型影评数据集为例，采用长短时记忆网络进行情感计算。
第三部分为深度学习算法进阶，主要讲述深度学习算法中比较前沿的算法，包括第8章到第11章。
第8章讲述自动编码机的数学原理，重点介绍实际中应用较多的去噪自动编码机和稀疏自动编码机，并以去噪自动编码机为例，对MNIST手写数字识别数据集进行特征提取。
第9章讲述将去噪自动编码机进行分层训练，组合成堆叠去噪自动编码机，并将堆叠去噪自动编码机用于MNIST手写数字识别任务。
第10章讲述受限玻尔兹曼机的数学原理，并将其用于MNIST手写数字识别任务。
第11章讲述深度信念网络的数学原理，以及其与受限玻尔兹曼机的关系，并将其用于MNIST手写数字识别任务。
第四部分为机器学习基础，主要讲述一些基础的机器学习算法，包括第12章和第13章。
第12章讲述生成式学习的基础理论，并将高斯判别分析用于癌症判别，将朴素贝叶斯算法用于垃圾邮件过滤。
第13章简单介绍支撑向量机算法的数学原理。
第五部分为深度学习平台 API，这部分讲述将深度学习算法包装成深度学习服务云平台的技术，包括第14章和第15章。
第14章介绍Python的Web开发环境及开发技术。
第15章应用Web开发技术，将前面介绍的多层感知器模型包装成RESTful服务，用户可以通过网页上传图片文件，并得到识别后的结果。
由于篇幅所限，书中很多例子只给出了部分代码，这些代码对于理解算法的实现原理是足够的，但是考虑到代码的完整性，我们将书中绝大部分例程都上传到了GitHub的开源项目https：github.comyt7589dlp.git，书中的代码放在bookchp**目录下，这些代码在Ubuntu 16.04 Python3.6 TensorFlow1.2 Windows Anaconda TensorFlow 1.2下均可正常运行。读者可以下载相关源码，通过运行这些源码加深对书中内容的理解。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
