译者序
前言
第1章 使用神经网络识别手写数字 1
1.1 感知机 2
1.2 sigmoid神经元 7
1.3 神经网络的架构 11
1.4 一个简单的神经网络：分类手写数字 13
1.5 利用梯度下降算法进行学习 17
1.6 实现分类数字的神经网络 25
1.7 迈向深度学习 37
第2章 反向传播算法工作原理 41
2.1 热身：使用矩阵快速计算输出 41
2.2 关于代价函数的两个假设 43
2.3 阿达马积s⊙t 45
2.4 反向传播的4个基本方程 45
2.5 基本方程的证明（选学） 50
2.6 反向传播算法 51
2.7 反向传播代码 53
2.8 就何而言，反向传播算快 55
2.9 反向传播：全局观 56
第3章 改进神经网络的学习方法 60
3.1 交叉熵代价函数 60
3.1.1 引入交叉熵代价函数 64
3.1.2 使用交叉熵来对MNIST数字进行分类 71
3.1.3 交叉熵的含义与起源 72
3.1.4 softmax 74
3.2 过拟合和正则化 78
3.2.1 正则化 84
3.2.2 为何正则化有助于减轻过拟合 89
3.2.3 其他正则化技术 93
3.3 权重初始化 102
3.4 复探手写识别问题：代码 106
3.5 如何选择神经网络的超参数 116
3.6 其他技术 126
3.6.1 随机梯度下降算法的变化形式 126
3.6.2 其他人工神经元模型 129
3.6.3 有关神经网络的故事 132
第4章 神经网络可以计算任何函数的可视化证明 134
4.1 两个预先声明 136
4.2 一个输入和一个输出的普遍性 137
4.3 多个输入变量 146
4.4 不止sigmoid神经元 154
4.5 修补阶跃函数 156
4.6 小结 159
第5章 为何深度神经网络很难训练 160
5.1 梯度消失问题 163
5.2 梯度消失的原因 168
5.2.1 为何出现梯度消失 170
5.2.2 梯度爆炸问题 171
5.2.3 梯度不稳定问题 172
5.2.4 梯度消失问题普遍存在 172
5.3 复杂神经网络中的梯度不稳定 173
5.4 深度学习的其他障碍 174
第6章 深度学习 175
6.1 卷积神经网络入门 176
6.1.1 局部感受野 178
6.1.2 共享权重和偏置 180
6.1.3 池化层 182
6.2 卷积神经网络的实际应用 184
6.2.1 使用修正线性单元 188
6.2.2 扩展训练数据 189
6.2.3 插入额外的全连接层 191
6.2.4 集成神经网络 192
6.3 卷积神经网络的代码 195
6.4 图像识别领域近期的进展 208
6.4.1 2012年的LRMD论文 208
6.4.2 2012年的KSH论文 209
6.4.3 2014年的ILSVRC竞赛 211
6.4.4 其他活动 212
6.5 其他深度学习模型 214
6.5.1 循环神经网络 214
6.5.2 长短期记忆单元 216
6.5.3 深度信念网络、生成模型和玻尔兹曼机 216
6.5.4 其他想法 217
6.6 神经网络的未来 217
6.6.1 意图驱动的用户界面 217
6.6.2 机器学习、数据科学和创新的循环 218
6.6.3 神经网络和深度学习的作用 218
6.6.4 神经网络和深度学习将主导人工智能 219
附录 是否存在关于智能的简单算法 222
版权声明
· · · · · · (收起)
具体描述
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
用户评价
##理解反向传播的目的、推导
评分 评分##很早就读了开源版本，可以结合英文版一起阅读，都是免费的，非常佩服作者将深度学习从感知器到CNN讲解地那么透彻，算是我入门深度学习的好书，非常推荐，阅读过程中，我也详细写了笔记，比如感知器代码实现，梯度下降、交叉熵的公式推导，结合其他书补充相关知识，如果阅读次数过程中踩坑的朋友有兴趣可以看看交流： 笔记地址：https://www.howie6879.cn/ml_book/docs/02_nndl/01.%E8%AF%86%E5%88%AB%E6%89%8B%E5%86%99%E5%AD%97/
评分##中规中矩
评分##见过翻译得最差的，没有之一了，过拟合翻译成过匹配是什么操作？谷歌翻译都没这么坑呀，看这内容简介评价那么高，莫非我读的是假书？？？
评分##看了电子版，反向传播的公式推导写的很好，代码是基于numpy，没有用到框架，非常棒。
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