具体描述
本書是使用Python 進行深度學習實踐的一本初學指南。本書並未羅列大量的公式，而是通過一些實用的實際案例，以簡單直白的方式介紹深度神經網絡的兩項任務——分類和迴歸，解析深度學習模型中的一些核心問題，以期讓讀者對深度學習的全貌有一個清晰的認識。 本書共9 章，分彆介紹瞭深度學習基礎理論、神經網絡基礎知識、構建定製化深度預測模型、性能提升技術、二元分類的神經網絡應用等內容，並藉助Python 語言對基本算法和實現模型進行瞭探索。 本書適閤期望用較短時間在深度神經網絡領域初試牛刀的讀者，也適閤深度學習的初學者以及業內人士參考。
用户评价
##传统的反向传播算法计算DNN中所有层中每个神经元，以及每一个单独epoch的神经元权重的变化（称为delta或者梯度）。delta本质上是微积分微分调整，旨在最大限度地减小实际输出和DNN输出之间的误差。 大型的DNN可能有数百万的权重需要计算delta值。数百万的权重需要进行梯度计算，这整个过程需要耗费相当长的时间。使用批量学习传播的方法使DNN收敛为一个可接受的方案所花费的时间很长，甚至很有可能在特定的应用中是不可行的。 小批量方法是加速神经网络计算的常用方法之一。它在几个训练样本（批次）上一起计算梯度，而不是像在原始随机梯度下降算法中那样针对每个单独的样本计算梯度。 一个批次由一个前向/反向传播中的多个训练样本组成。请注意，批次越大，运行模型所需的内存就越多。
评分 评分##无感 没有很多实际有用知识
评分 评分##无感 没有很多实际有用知识
评分##用于mark，最近面试需要。再重新整理一下
评分##给毫无基础的同学来看，真的挺好的。不失严谨同时简单易懂。
评分##简介深度学习，我想本书已经尽量做到深入浅出了。这个是数据分析方面，利用深度学习技术的介绍。第五章 如何构建可定制的深度预测模型 里面一个深度神经网络预测的实际应用 介绍的例子很印象深刻。ANN比ALM有着超过两倍的精度的表现主要是因为ANN的能力来捕捉非线性效应和更高阶的相互作用的结果。
相关图书
本站所有內容均為互聯網搜索引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 tushu.tinynews.org All Rights Reserved. 求知書站 版权所有