动手学深度学习（PyTorch版） azw3 网盘 高速 下载地址大全 免费

★深度学习领域重磅作品《动手学深度学习》重磅推出PyTorch版本； ★李沐、阿斯顿·张等大咖作者强强联合，精心编撰； ★全球400多所大学采用的教科书，提供视频课程、教学PPT、习题，方便教师授课与学生自学； ★能运行、可讨论的深度学习入门书，可在线运行源码并与作译者实时讨论。 ★编辑推荐： 本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。 ★内容简介： 本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。 本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。 ★专业书评： 这是一本及时且引人入胜的书。它不仅提供了对深度学习原理的全面概述，还提供了具有编程代码的详细算法，此外，还提供了计算机视觉和自然语言处理中有关深度学习的最新介绍。如果你想钻研深度学习，请研读这本书！ 韩家炜 ACM院士、IEEE院士 美国伊利诺伊大学香槟分校计算机系Michael Aiken Chair教授这是对机器学习文献的一个很受欢迎的补充，重点是通过集成Jupyter记事本实现的动手经验。深度学习的学生应该能体会到，这对于熟练掌握这一领域是非常宝贵的。 Bernhard Scholkopf ACM院士、德国国家科学院院士 德国马克斯•普朗克研究所智能系统院院长 这本书基于深度学习框架来介绍深度学习技术，书中代码可谓“所学即所用”，为喜欢通过Python代码进行学习的读者接触、了解深度学习技术提供了很大的便利。 周志华 ACM院士、IEEE院士、AAAS院士 南京大学计算机科学与技术系主任 这是一本基于深度学习框架的深度学习实战图书，可以帮助读者快速上手并掌握使用深度学习工具的基本技能。本书的几个作者都在机器学习领域有着非常丰富的经验。他们不光有大量的工业界实践经验，也有非常高的学术成就，所以对机器学习领域的前沿算法理解深刻。这使得作者们在提供优质代码的同时，也可以把最前沿的算法和概念深入浅出地介绍给读者。本书可以帮助深度学习实践者快速提升自己的能力。 张潼 ASA院士、IMS院士 香港科技大学计算机系和数学系教授 来自工业界： 不到10年时间，人工智能革命已从研究实验室席卷至广阔的工业界，并触及我们日常生活的方方面面。本书是优秀的深度学习教材，值得任何想了解深度学习何以引爆人工智能革命的人关注——这场革命是我们所处时代中最强的科技力量。 黄仁勋 NVIDIA创始人、首席执行官 虽然业界已经有不错的深度学习方面的图书，但与工业界应用实践的结合都不够紧密。我认为本书是最适合工业界研发工程师学习的，因为它把算法理论、应用场景、代码实例都完美地联系在一起，引导读者把理论学习和应用实践紧密结合，知行合一，在动手中学习，在体会和领会中不断深化对深度学习的理解。因此，我毫无保留地向广大的读者强烈推荐这本书。 余凯 地平线公司创始人、首席执行官 强烈推荐这本书！它其实远不只是一本书：它不仅讲解深度学习背后的数学原理，更是一个编程工作台与记事本，让读者可以一边动手学习一边收到反馈，它还是一个开源社区平台，让大家可以交流。作为在AI学术界和工业界都长期工作过的人，我特别赞赏这种手脑一体的学习方式，既能增强实践能力，又可以在解决问题中锻炼独立思考和批判性思维。作者们是算法、工程兼强的业界翘楚，他们能奉献出这样的一本好的开源书，为他们点赞！ 漆远 复旦大学“浩清”教授、人工智能创新与产业研究院院长 深度学习是当前人工智能研究中的热门领域，吸引了大量感兴趣的开发者踊跃学习相关的开发技术。然而对大多数学习者而言，掌握深度学习是一件很不容易的事情，需要相继翻越数学基础、算法理论、编程开发、领域应用、软硬优化等几座大山。因此学习过程不容易一帆风顺，我也看到很多学习者还没进入开发环节就在理论学习的过程中抱憾放弃了。这是一本很容易让学习者上瘾的书，它最大的特色是强调在动手编程中学习理论和培养实战能力。阅读本书最愉悦的感受是它很好地平衡了理论介绍和编程实操，内容简明扼要，衔接自然流畅，既反映了现代深度学习的进展，又兼具易学和实用特性，是深度学习爱好者难得的学习材料。特别值得称赞的是本书选择了Jupyter记事本作为开发学习环境，将教材、文档和代码统一起来，给读者提供了可以立即尝试修改代码和观察运行效果的交互式的学习体验，使学习充满了乐趣。可以说这是一本深度学习前沿实践者给深度学习爱好者带来的诚心之作，相信大家都能在阅读和实践中拥有一样的共鸣。 沈强 将门创投创始合伙人

对本书的赞誉 前言 译者简介 学习环境配置 资源与支持 主要符号表 第 1章　引言　1 1.1　日常生活中的机器学习　2 1.2　机器学习中的关键组件　3 1.2.1　数据　3 1.2.2　模型　4 1.2.3　目标函数　4 1.2.4　优化算法　5 1.3　各种机器学习问题　5 1.3.1　监督学习　5 1.3.2　无监督学习　11 1.3.3　与环境互动　11 1.3.4　强化学习　12 1.4　起源　13 1.5　深度学习的发展　15 1.6　深度学习的成功案例　16 1.7　特点　17 第 2章　预备知识　20 2.1　数据操作　20 2.1.1　入门　21 2.1.2　运算符　22 2.1.3　广播机制　23 2.1.4　索引和切片　24 2.1.5　节省内存　24 2.1.6　转换为其他Python对象　25 2.2　数据预处理　26 2.2.1　读取数据集　26 2.2.2　处理缺失值　26 2.2.3　转换为张量格式　27 2.3　线性代数　27 2.3.1　标量　28 2.3.2　向量　28 2.3.3　矩阵　29 2.3.4　张量　30 2.3.5　张量算法的基本性质　31 2.3.6　降维　32 2.3.7　点积　33 2.3.8　矩阵-向量积　33 2.3.9　矩阵-矩阵乘法　34 2.3.10　范数　35 2.3.11　关于线性代数的更多信息　36 2.4　微积分　37 2.4.1　导数和微分　37 2.4.2　偏导数　40 2.4.3　梯度　41 2.4.4　链式法则　41 2.5　自动微分　42 2.5.1　一个简单的例子　42 2.5.2　非标量变量的反向传播　43 2.5.3　分离计算　43 2.5.4　Python控制流的梯度计算　44 2.6　概率　44 2.6.1　基本概率论　45 2.6.2　处理多个随机变量　48 2.6.3　期望和方差　50 2.7　查阅文档　51 2.7.1　查找模块中的所有函数和类　51 2.7.2　查找特定函数和类的用法　52 第3章　线性神经网络　54 3.1　线性回归　54 3.1.1　线性回归的基本元素　54 3.1.2　向量化加速　57 3.1.3　正态分布与平方损失　58 3.1.4　从线性回归到深度网络　60 3.2　线性回归的从零开始实现　61 3.2.1　生成数据集　62 3.2.2　读取数据集　63 3.2.3　初始化模型参数　63 3.2.4　定义模型　64 3.2.5　定义损失函数　64 3.2.6　定义优化算法　64 3.2.7　训练　64 3.3　线性回归的简洁实现　66 3.3.1　生成数据集　66 3.3.2　读取数据集　66 3.3.3　定义模型　67 3.3.4　初始化模型参数　67 3.3.5　定义损失函数　68 3.3.6　定义优化算法　68 3.3.7　训练　68 3.4　softmax回归　69 3.4.1　分类问题　69 3.4.2　网络架构　70 3.4.3　全连接层的参数开销　70 3.4.4　softmax运算　71 3.4.5　小批量样本的向量化　71 3.4.6　损失函数　72 3.4.7　信息论基础　73 3.4.8　模型预测和评估　74 3.5　图像分类数据集　74 3.5.1　读取数据集　75 3.5.2　读取小批量　76 3.5.3　整合所有组件　76 3.6　softmax回归的从零开始实现　77 3.6.1　初始化模型参数　77 3.6.2　定义softmax操作　78 3.6.3　定义模型　78 3.6.4　定义损失函数　79 3.6.5　分类精度　79 3.6.6　训练　80 3.6.7　预测　82 3.7　softmax回归的简洁实现　83 3.7.1　初始化模型参数　83 3.7.2　重新审视softmax的实现　84 3.7.3　优化算法　84 3.7.4　训练　84 第4章　多层感知机　86 4.1　多层感知机　86 4.1.1　隐藏层　86 4.1.2　激活函数　88 4.2　多层感知机的从零开始实现　92 4.2.1　初始化模型参数　92 4.2.2　激活函数　93 4.2.3　模型　93 4.2.4　损失函数　93 4.2.5　训练　93 4.3　多层感知机的简洁实现　94 模型　94 4.4　模型选择、欠拟合和过拟合　95 4.4.1　训练误差和泛化误差　96 4.4.2　模型选择　97 4.4.3　欠拟合还是过拟合　98 4.4.4　多项式回归　99 4.5　权重衰减　103 4.5.1　范数与权重衰减　103 4.5.2　高维线性回归　104 4.5.3　从零开始实现　104 4.5.4　简洁实现　106 4.6　暂退法　108 4.6.1　重新审视过拟合　108 4.6.2　扰动的稳健性　108 4.6.3　实践中的暂退法　109 4.6.4　从零开始实现　110 4.6.5　简洁实现　111 4.7　前向传播、反向传播和计算图　112 4.7.1　前向传播　113 4.7.2　前向传播计算图　113 4.7.3　反向传播　114 4.7.4　训练神经网络　115 4.8　数值稳定性和模型初始化　115 4.8.1　梯度消失和梯度爆炸　116 4.8.2　参数初始化　117 4.9　环境和分布偏移　119 4.9.1　分布偏移的类型　120 4.9.2　分布偏移示例　121 4.9.3　分布偏移纠正　122 4.9.4　学习问题的分类法　125 4.9.5　机器学习中的公平、责任和透明度　126 4.10　实战Kaggle比赛：预测房价　127 4.10.1　下载和缓存数据集　127 4.10.2　Kaggle　128 4.10.3　访问和读取数据集　129 4.10.4　数据预处理　130 4.10.5　训练　131 4.10.6　K折交叉验证　132 4.10.7　模型选择　133 4.10.8　提交Kaggle预测　133 第5章　深度学习计算　136 5.1　层和块　136 5.1.1　自定义块　138 5.1.2　顺序块　139 5.1.3　在前向传播函数中执行代码　139 5.1.4　效率　140 5.2　参数管理　141 5.2.1　参数访问　141 5.2.2　参数初始化　143 5.2.3　参数绑定　145 5.3　延后初始化　145 实例化网络　146 5.4　自定义层　146 5.4.1　不带参数的层　146 5.4.2　带参数的层　147 5.5　读写文件　148 5.5.1　加载和保存张量　148 5.5.2　加载和保存模型参数　149 5.6　GPU　150 5.6.1　计算设备　151 5.6.2　张量与GPU　152 5.6.3　神经网络与GPU　153 第6章　卷积神经网络　155 6.1　从全连接层到卷积　155 6.1.1　不变性　156 6.1.2　多层感知机的限制　157 6.1.3　卷积　158 6.1.4　“沃尔多在哪里”回顾　158 6.2　图像卷积　159 6.2.1　互相关运算　159 6.2.2　卷积层　161 6.2.3　图像中目标的边缘检测　161 6.2.4　学习卷积核　162 6.2.5　互相关和卷积　162 6.2.6　特征映射和感受野　163 6.3　填充和步幅　164 6.3.1　填充　164 6.3.2　步幅　165 6.4　多输入多输出通道　166 6.4.1　多输入通道　167 6.4.2　多输出通道　167 6.4.3　1×1卷积层　168 6.5　汇聚层　170 6.5.1　最大汇聚和平均汇聚　170 6.5.2　填充和步幅　171 6.5.3　多个通道　172 6.6　卷积神经网络（LeNet）　173 6.6.1　LeNet　173 6.6.2　模型训练　175 第7章　现代卷积神经网络　178 7.1　深度卷积神经网络（AlexNet）　178 7.1.1　学习表征　179 7.1.2　AlexNet　181 7.1.3　读取数据集　183 7.1.4　训练AlexNet　183 7.2　使用块的网络（VGG）　184 7.2.1　VGG块　184 7.2.2　VGG网络　185 7.2.3　训练模型　186 7.3　网络中的网络（NiN）　187 7.3.1　NiN块　187 7.3.2　NiN模型　188 7.3.3　训练模型　189 7.4　含并行连接的网络（GoogLeNet）　190 7.4.1　Inception块　190 7.4.2　GoogLeNet模型　191 7.4.3　训练模型　193 7.5　批量规范化　194 7.5.1　训练深层网络　194 7.5.2　批量规范化层　195 7.5.3　从零实现　196 7.5.4　使用批量规范化层的 LeNet　197 7.5.5　简明实现　198 7.5.6　争议　198 7.6　残差网络（ResNet）　200 7.6.1　函数类　200 7.6.2　残差块　201 7.6.3　ResNet模型　202 7.6.4　训练模型　204 7.7　稠密连接网络（DenseNet）　205 7.7.1　从ResNet到DenseNet　205 7.7.2　稠密块体　206 7.7.3　过渡层　206 7.7.4　DenseNet模型　207 7.7.5　训练模型　207 第8章　循环神经网络　209 8.1　序列模型　209 8.1.1　统计工具　210 8.1.2　训练　212 8.1.3　预测　213 8.2　文本预处理　216 8.2.1　读取数据集　216 8.2.2　词元化　217 8.2.3　词表　217 8.2.4　整合所有功能　219 8.3　语言模型和数据集　219 8.3.1　学习语言模型　220 8.3.2　马尔可夫模型与n元语法　221 8.3.3　自然语言统计　221 8.3.4　读取长序列数据　223 8.4　循环神经网络　226 8.4.1　无隐状态的神经网络　227 8.4.2　有隐状态的循环神经网络　227 8.4.3　基于循环神经网络的字符级语言模型　228 8.4.4　困惑度　229 8.5　循环神经网络的从零开始实现　230 8.5.1　独热编码　231 8.5.2　初始化模型参数　231 8.5.3　循环神经网络模型　232 8.5.4　预测　232 8.5.5　梯度截断　233 8.5.6　训练　234 8.6　循环神经网络的简洁实现　237 8.6.1　定义模型　237 8.6.2　训练与预测　238 8.7　通过时间反向传播　239 8.7.1　循环神经网络的梯度分析　239 8.7.2　通过时间反向传播的细节　241 第9章　现代循环神经网络　244 9.1　门控循环单元（GRU）　244 9.1.1　门控隐状态　245 9.1.2　从零开始实现　247 9.1.3　简洁实现　248 9.2　长短期记忆网络（LSTM）　249 9.2.1　门控记忆元　249 9.2.2　从零开始实现　252 9.2.3　简洁实现　253 9.3　深度循环神经网络　254 9.3.1　函数依赖关系　255 9.3.2　简洁实现　255 9.3.3　训练与预测　255 9.4　双向循环神经网络　256 9.4.1　隐马尔可夫模型中的动态规划　256 9.4.2　双向模型　258 9.4.3　双向循环神经网络的错误应用　259 9.5　机器翻译与数据集　260 9.5.1　下载和预处理数据集　261 9.5.2　词元化　262 9.5.3　词表　263 9.5.4　加载数据集　263 9.5.5　训练模型　264 9.6　编码器-解码器架构　265 9.6.1　编码器　265 9.6.2　解码器　266 9.6.3　合并编码器和解码器　266 9.7　序列到序列学习（seq2seq）　267 9.7.1　编码器　268 9.7.2　解码器　269 9.7.3　损失函数　270 9.7.4　训练　271 9.7.5　预测　272 9.7.6　预测序列的评估　273 9.8　束搜索　275 9.8.1　贪心搜索　275 9.8.2　穷举搜索　276 9.8.3　束搜索　276 第 10章　注意力机制　278 10.1　注意力提示　278 10.1.1　生物学中的注意力提示　279 10.1.2　查询、键和值　280 10.1.3　注意力的可视化　280 10.2　注意力汇聚：Nadaraya-Watson 核回归　281 10.2.1　生成数据集　282 10.2.2　平均汇聚　282 10.2.3　非参数注意力汇聚　283 10.2.4　带参数注意力汇聚　284 10.3　注意力评分函数　287 10.3.1　掩蔽softmax操作　288 10.3.2　加性注意力　289 10.3.3　缩放点积注意力　290 10.4　Bahdanau 注意力　291 10.4.1　模型　291 10.4.2　定义注意力解码器　292 10.4.3　训练　293 10.5　多头注意力　295 10.5.1　模型　295 10.5.2　实现　296 10.6　自注意力和位置编码　298 10.6.1　自注意力　298 10.6.2　比较卷积神经网络、循环神经网络和自注意力　298 10.6.3　位置编码　299 10.7　Transformer　302 10.7.1　模型　302 10.7.2　基于位置的前馈网络　303 10.7.3　残差连接和层规范化　304 10.7.4　编码器　304 10.7.5　解码器　305 10.7.6　训练　307 第 11章　优化算法　311 11.1　优化和深度学习　311 11.1.1　优化的目标　311 11.1.2　深度学习中的优化挑战　312 11.2　凸性　315 11.2.1　定义　315 11.2.2　性质　317 11.2.3　约束　319 11.3　梯度下降　322 11.3.1　一维梯度下降　322 11.3.2　多元梯度下降　324 11.3.3　自适应方法　326 11.4　随机梯度下降　329 11.4.1　随机梯度更新　329 11.4.2　动态学习率　331 11.4.3　凸目标的收敛性分析　332 11.4.4　随机梯度和有限样本　333 11.5　小批量随机梯度下降　334 11.5.1　向量化和缓存　335 11.5.2　小批量　336 11.5.3　读取数据集　337 11.5.4　从零开始实现　337 11.5.5　简洁实现　340 11.6　动量法　341 11.6.1　基础　341 11.6.2　实际实验　345 11.6.3　理论分析　346 11.7　AdaGrad算法　348 11.7.1　稀疏特征和学习率　348 11.7.2　预处理　349 11.7.3　算法　350 11.7.4　从零开始实现　351 11.7.5　简洁实现　352 11.8　RMSProp算法　353 11.8.1　算法　353 11.8.2　从零开始实现　354 11.8.3　简洁实现　355 11.9　Adadelta算法　356 11.9.1　算法　356 11.9.2　实现　356 11.10　Adam算法　358 11.10.1　算法　358 11.10.2　实现　359 11.10.3　Yogi　360 11.11　学习率调度器　361 11.11.1　一个简单的问题　361 11.11.2　学习率调度器　363 11.11.3　策略　364 第 12章　计算性能　369 12.1　编译器和解释器　369 12.1.1　符号式编程　370 12.1.2　混合式编程　371 12.1.3　Sequential的混合式编程　371 12.2　异步计算　372 通过后端异步处理　373 12.3　自动并行　375 12.3.1　基于GPU的并行计算　375 12.3.2　并行计算与通信　376 12.4　硬件　378 12.4.1　计算机　378 12.4.2　内存　379 12.4.3　存储器　380 12.4.4　CPU　381 12.4.5　GPU和其他加速卡　383 12.4.6　网络和总线　385 12.4.7　更多延迟　386 12.5　多GPU训练　388 12.5.1　问题拆分　388 12.5.2　数据并行性　390 12.5.3　简单网络　390 12.5.4　数据同步　391 12.5.5　数据分发　392 12.5.6　训练　392 12.6　多GPU的简洁实现　394 12.6.1　简单网络　394 12.6.2　网络初始化　395 12.6.3　训练　395 12.7　参数服务器　397 12.7.1　数据并行训练　397 12.7.2　环同步（ring synchronization）　399 12.7.3　多机训练　400 12.7.4　键-值存储　402 第 13章　计算机视觉　404 13.1　图像增广　404 13.1.1　常用的图像增广方法　404 13.1.2　使用图像增广进行训练　408 13.2　微调　410 13.2.1　步骤　410 13.2.2　热狗识别　411 13.3　目标检测和边界框　415 边界框　415 13.4　锚框　417 13.4.1　生成多个锚框　417 13.4.2　交并比（IoU）　419 13.4.3　在训练数据中标注锚框　420 13.4.4　使用非极大值抑制预测 边界框　424 13.5　多尺度目标检测　427 13.5.1　多尺度锚框　427 13.5.2　多尺度检测　429 13.6　目标检测数据集　430 13.6.1　下载数据集　430 13.6.2　读取数据集　431 13.6.3　演示　432 13.7　单发多框检测（SSD）　433 13.7.1　模型　433 13.7.2　训练模型　437 13.7.3　预测目标　439 13.8　区域卷积神经网络（R-CNN）系列　441 13.8.1　R-CNN　441 13.8.2　Fast R-CNN　442 13.8.3　Faster R-CNN　443 13.8.4　Mask R-CNN　444 13.9　语义分割和数据集　445 13.9.1　图像分割和实例分割　445 13.9.2　Pascal VOC2012 语义分割数据集　446 13.10　转置卷积　450 13.10.1　基本操作　450 13.10.2　填充、步幅和多通道　451 13.10.3　与矩阵变换的联系　452 13.11　全卷积网络　453 13.11.1　构建模型　454 13.11.2　初始化转置卷积层　455 13.11.3　读取数据集　456 13.11.4　训练　456 13.11.5　预测　457 13.12　风格迁移　458 13.12.1　方法　459 13.12.2　阅读内容和风格图像　460 13.12.3　预处理和后处理　460 13.12.4　提取图像特征　461 13.12.5　定义损失函数　461 13.12.6　初始化合成图像　463 13.12.7　训练模型　463 13.13　实战 Kaggle竞赛：图像分类（CIFAR-10）　464 13.13.1　获取并组织数据集　465 13.13.2　图像增广 　467 13.13.3　读取数据集　468 13.13.4　定义模型　468 13.13.5　定义训练函数　468 13.13.6　训练和验证模型　469 13.13.7　在Kaggle上对测试集进行分类并提交结果　469 13.14　实战Kaggle竞赛：狗的品种识别（ImageNet Dogs）　470 13.14.1　获取和整理数据集　471 13.14.2　图像增广　472 13.14.3　读取数据集　472 13.14.4　微调预训练模型　473 13.14.5　定义训练函数　473 13.14.6　训练和验证模型　474 13.14.7　对测试集分类并在Kaggle提交结果　475 第 14章　自然语言处理：预训练　476 14.1　词嵌入（word2vec）　477 14.1.1　为何独热向量是一个糟糕的选择　477 14.1.2　自监督的word2vec　477 14.1.3　跳元模型　477 14.1.4　连续词袋模型　478 14.2　近似训练　480 14.2.1　负采样　480 14.2.2　层序softmax　481 14.3　用于预训练词嵌入的数据集　482 14.3.1　读取数据集　482 14.3.2　下采样　483 14.3.3　中心词和上下文词的提取　484 14.3.4　负采样　485 14.3.5　小批量加载训练实例　486 14.3.6　整合代码　487 14.4　预训练word2vec　488 14.4.1　跳元模型　488 14.4.2　训练　489 14.4.3　应用词嵌入　491 14.5　全局向量的词嵌入（GloVe）　491 14.5.1　带全局语料库统计的跳元模型　492 14.5.2　GloVe模型　492 14.5.3　从共现概率比值理解GloVe模型　493 14.6　子词嵌入　494 14.6.1　fastText模型　494 14.6.2　字节对编码　495 14.7　词的相似度和类比任务　497 14.7.1　加载预训练词向量　497 14.7.2　应用预训练词向量　499 14.8　来自Transformer的双向编码器表示（BERT）　500 14.8.1　从上下文无关到上下文敏感　500 14.8.2　从特定于任务到不可知任务　501 14.8.3　BERT：将ELMo与GPT结合起来　501 14.8.4　输入表示　502 14.8.5　预训练任务　504 14.8.6　整合代码　506 14.9　用于预训练BERT的数据集　507 14.9.1　为预训练任务定义辅助函数　508 14.9.2　将文本转换为预训练数据集　509 14.10　预训练BERT　512 14.10.1　预训练BERT　512 14.10.2　用BERT表示文本　514 第 15章　自然语言处理：应用　515 15.1　情感分析及数据集　516 15.1.1　读取数据集　516 15.1.2　预处理数据集　517 15.1.3　创建数据迭代器　517 15.1.4　整合代码　518 15.2　情感分析：使用循环神经网络　518 15.2.1　使用循环神经网络表示单个文本　519 15.2.2　加载预训练的词向量　520 15.2.3　训练和评估模型　520 15.3　情感分析：使用卷积神经网络　521 15.3.1　一维卷积　522 15.3.2　最大时间汇聚层　523 15.3.3　textCNN模型　523 15.4　自然语言推断与数据集　526 15.4.1　自然语言推断　526 15.4.2　斯坦福自然语言推断（SNLI）数据集　527 15.5　自然语言推断：使用注意力　530 15.5.1　模型　530 15.5.2　训练和评估模型　533 15.6　针对序列级和词元级应用微调BERT　535 15.6.1　单文本分类　535 15.6.2　文本对分类或回归　536 15.6.3　文本标注　537 15.6.4　问答　537 15.7　自然语言推断：微调BERT　538 15.7.1　加载预训练的BERT　539 15.7.2　微调BERT的数据集　540 15.7.3　微调BERT　541 附录A　深度学习工具　543 A.1　使用Jupyter记事本　543 A.1.1　在本地编辑和运行代码　543 A.1.2　高级选项　545 A.2　使用Amazon SageMaker　546 A.2.1　注册　547 A.2.2　创建SageMaker实例　547 A.2.3　运行和停止实例　548 A.2.4　更新Notebook　548 A.3　使用Amazon EC2实例　549 A.3.1　创建和运行EC2实例　549 A.3.2　安装CUDA　553 A.3.3　安装库以运行代码　553 A.3.4　远程运行Jupyter记事本　554 A.3.5　关闭未使用的实例　554 A.4　选择服务器和GPU　555 A.4.1　选择服务器　555 A.4.2　选择GPU　556 A.5　为本书做贡献　558 A.5.1　提交微小更改　558 A.5.2　大量文本或代码修改　559 A.5.3　提交主要更改　559 参考文献　562

阿斯顿.张（Aston Zhang），亚马逊资深科学家，美国伊利诺伊大学香槟分校计算机科学博士，统计学和计算机科学双硕士。他专注于机器学习和自然语言处理的研究，荣获深度学习国际顶级学术会议ICLR杰出论文奖、ACM UbiComp杰出论文奖以及ACM SenSys最佳论文奖提名。他担任过EMNLP领域主席和AAAI资深程序委员。 扎卡里.C. 立顿（Zachary C. Lipton），美国卡内基梅隆大学机器学习和运筹学助理教授，并在海因茨公共政策学院以及软件和社会系统系担任礼节性任命。他领导着近似正确机器智能（ACMI）实验室，研究涉及核心机器学习方法、其社会影响以及包括临床医学和自然语言处理在内的各种应用领域。他目前的研究重点包括处理各种因果结构下分布变化的稳健和自适应算法、超越预测为决策提供信息（包括应对已部署模型的战略响应）、医学诊断和预后预测、算法公平性和可解释性的基础。他是“Approximately Correct”博客的创始人，也是讽刺性漫画“Superheroes of Deep Learning”的合著者。 李沐（Mu Li），亚马逊资深首席科学家（Senior Principal Scientist），美国加利福尼亚大学伯克利分校、斯坦福大学客座助理教授，美国卡内基梅隆大学计算机系博士。他曾任机器学习创业公司Marianas Labs的CTO和百度深度学习研究院的主任研发架构师。他专注于机器学习系统和机器学习算法的研究。他在理论与应用、机器学习与操作系统等多个领域的顶级学术会议上发表过论文，被引用上万次。 亚历山大.J. 斯莫拉(Alexander J. Smola)，亚马逊副总裁/杰出科学家，德国柏林工业大学计算机科学博士。他曾在澳大利亚国立大学、美国加利福尼亚大学伯克利分校和卡内基梅隆大学任教。他发表过超过300篇学术论文，并著有5本书，其论文及书被引用超过15万次。他的研究兴趣包括深度学习、贝叶斯非参数、核方法、统计建模和可扩展算法。

暂无其它内容！

• 深度学习融入在生活的各个方面

  来源：豆瓣 发布时间：2025-05-10 03:07:39

• 干货书籍

  来源：豆瓣 发布时间：2025-05-10 03:07:39

• 学习chatgpt要从动手学深度学习开始

  来源：豆瓣 发布时间：2025-05-10 03:07:39

• 注重深度学习实践的好书

  来源：豆瓣 发布时间：2025-05-10 03:07:39

• 动手深度学习-书评

  来源：豆瓣 发布时间：2025-05-10 03:07:39