幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

用Python實現深度學習框架

  • 作者：張覺非//陳震|責編:王軍花
  • 出版社：人民郵電
  • ISBN：9787115548375
  • 出版日期：2020/10/01
  • 裝幀：平裝
  • 頁數：271
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書帶領讀者用原生Python語言和Numpy線性代數庫實現一個基於計算圖的深度學習框架MatrixSlow（類似簡易版的PyTorch、TensorFlow或Caffe）。全書分為三個部分。第一部分是原理篇，實現了MatrixSlow框架的核心基礎設施，並基於此講解了機器學習與深度學習的概念和原理，比如模型、計算圖、訓練、梯度下降法及其各種變體。第二部分是模型篇，介紹了多種具有代表性的模型，包括邏輯回歸、多層全連接神經網路、因子分解機、Wide & Deep、DeepFM、循環神經網路以及卷積神經網路，這部分除了著重介紹這些模型的原理、結構以及它們之間的聯繫外，還用MatrixSlow框架搭建並訓練它們以解決實際問題。第三部分是工程篇，討論了一些與深度學習框架相關的工程問題，內容涉及訓練與評估，模型的保存、導入和服務部署，分散式訓練，等等。
    本書面向有意入門深度學習的讀者，特別適合對神經網路和深度學習的原理與實現感興趣，或對PyTorch、TensorFlow、Caffe等深度學習框架感興趣的工程師、學生以及其他各行業人士閱讀。
作者介紹
張覺非//陳震|責編:王軍花
目錄
第一部分  原理篇
  第1章  機器學習與模型
    1.1  模型
    1.2  參數與訓練
    1.3  損失函數
    1.4  計算圖的訓練
    1.5  小結
  第2章  計算圖
    2.1  什麼是計算圖
    2.2  前向傳播
    2.3  函數優化與梯度下降法
    2.4  鏈式法則與反向傳播
    2.5  在計算圖上執行梯度下降法
    2.6  節點類及其子類
    2.7  用計算圖搭建ADALINE並訓練
    2.8  小結
  第3章  優化器
    3.1  優化流程的抽象實現
    3.2  BGD、SGD和MBGD
    3.3  梯度下降優化器
    3.4  樸素梯度下降法的局限
    3.5  衝量優化器
    3.6  AdaGrad優化器
    3.7  RMSProp優化器
    3.8  Adam優化器
    3.9  小結
第二部分  模型篇
  第4章  邏輯回歸
    4.1  對數損失函數
    4.2  Logistic函數
    4.3  二分類邏輯回歸
    4.4  多分類邏輯回歸
    4.5  交叉熵
    4.6  實例：鳶尾花
    4.7  小結
  第5章  神經網路
    5.1  神經元與激活函數
    5.2  神經網路
    5.3  多層全連接神經網路
    5.4  多個全連接層的意義
    5.5  實例：鳶尾花
    5.6  實例：手寫數字識別
    5.7  小結
  第6章  非全連接神經網路
    6.1  帶二次項的邏輯回歸
    6.2  因子分解機
    6.3  Wide & Deep
    6.4  DeepFM
    6.5  實例：泰坦尼克號倖存者
    6.6  小結

  第7章  循環神經網路
    7.1  RNN的結構
    7.2  RNN的輸出
    7.3  實例：正弦波與方波
    7.4  變長序列
    7.5  實例：3D電磁發音儀單詞識別
    7.6  小結
  第8章  卷積神經網路
    8.1  蒙德里安與莫奈
    8.2  濾波器
    8.3  可訓練的濾波器
    8.4  卷積層
    8.5  池化層
    8.6  CNN的結構
    8.7  實例：手寫數字識別
    8.8  小結
第三部分  工程篇
  第9章  訓練與評估
    9.1  訓練和Trainer訓練器
    9.2  評估和Metrics節點
    9.3  混淆矩陣
    9.4  正確率
    9.5  查准率
    9.6  查全率
    9.7  ROC曲線和AUC
    9.8  小結
  第10章  模型保存、預測和服務
    10.1  模型保存
    10.2  模型載入和預測
    10.3  模型服務
    10.4  客戶端
    10.5  小結
  第11章  分散式訓練
    11.1  分散式訓練的原理
    11.2  基於參數伺服器的架構
    11.3  Ring AllReduce原理
    11.4  Ring AllReduce架構實現
    11.5  分散式訓練性能評測
    11.6  小結
  第12章  工業級深度學習框架
    12.1  張量
    12.2  計算加速
    12.3  GPU
    12.4  數據介面
    12.5  模型並行
    12.6  靜態圖和動態圖
    12.7  混合精度訓練
    12.8  圖優化和編譯優化
    12.9  移動端和嵌入式端
    12.10  小結

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032