深度学习之美 azw3 网盘 高速 下载地址大全 免费

深度学习是人工智能的前沿技术。《深度学习之美：AI时代的数据处理与最佳实践》深入浅出地介绍了深度学习的相关理论和实践，《深度学习之美：AI时代的数据处理与最佳实践》共分16章，采用理论和实践双主线写作方式。第1章给出深度学习的大图。第2章和第3章，讲解了机器学习的相关基础理论。第4章和第5章，讲解了Python基础和基于Python的机器学习实战。第6至10章，先后讲解了M-P模型、感知机、多层神经网络、BP神经网络等知识。第11章讲解了被广泛认可的深度学习框架TensorFlow。第12章和第13章详细讲解了卷积神经网络，并给出了相关的实战项目。第14章和第15章，分别讲解了循环递归网络和长短期记忆（LSTM）网络。第16章讲解了神经胶囊网络，并给出了神经胶囊网络设计的详细论述和实践案例分析。 《深度学习之美：AI时代的数据处理与最佳实践》结构完整、行文流畅，是一本难得的零基础入门、图文并茂、通俗易懂、理论结合实战的深度学习书籍。

第１章 一入侯门“深”似海，深度学习深几许 1 1.1 深度学习的巨大影响 2 1.2 什么是学习 4 1.3 什么是机器学习 4 1.4 机器学习的4个象限 5 1.5 什么是深度学习 6 1.6 “恋爱”中的深度学习 7 1.7 深度学习的方法论 9 1.8 有没有浅层学习 13 1.9 本章小结 14 1.10 请你思考 14 参考资料 14 第2章 人工“碳”索意犹尽，智能“硅”来未可知 16 2.1 信数据者得永生吗 17 2.2 人工智能的“江湖定位” 18 2.3 深度学习的归属 19 2.4 机器学习的形式化定义 21 2.5 为什么要用神经网络 24 2.6 人工神经网络的特点 26 2.7 什么是通用近似定理 27 2.8 本章小结 31 2.9 请你思考 31 参考资料 31 第3章 “机器学习”三重门，“中庸之道”趋若人 33 3.1 监督学习 34 3.1.1 感性认知监督学习 34 3.1.2 监督学习的形式化描述 35 3.1.3 k-近邻算法 37 3.2 非监督学习 39 3.2.1 感性认识非监督学习 39 3.2.2 非监督学习的代表—K均值聚类 41 3.3 半监督学习 45 3.4 从“中庸之道”看机器学习 47 3.5 强化学习 49 3.6 本章小结 52 3.7 请你思考 53 参考资料 53 第4章 人生苦短对酒歌， 我用Python乐趣多 55 4.1 Python概要 56 4.1.1 为什么要用Python 56 4.1.2 Python中常用的库 58 4.2 Python的版本之争 61 4.3 Python环境配置 65 4.3.1 Windows下的安装与配置 65 4.3.2 Mac下的安装与配置 72 4.4 Python编程基础 76 4.4.1 如何运行Python代码 77 4.4.2 代码缩进 79 4.4.3 注释 80 4.4.4 Python中的数据结构 81 4.4.5 函数的设计 93 4.4.6 模块的导入与使用 101 4.4.7 面向对象程序设计 102 4.5 本章小结 112 4.6 请你思考 112 参考资料 113 第5章 机器学习终觉浅，Python带我来实践 114 5.1 线性回归 115 5.1.1 线性回归的概念 115 5.1.2 简易线性回归的Python实现详解 119 5.2 k-近邻算法 139 5.2.1 k-近邻算法的三个要素 140 5.2.2 k-近邻算法实战 143 5.2.3 使用scikit-learn实现k-近邻算法 155 5.3 本章小结 162 5.4 请你思考 162 参考资料 162 第6章 神经网络不胜语，M-P模型似可寻 164 6.1 M-P神经元模型是什么 165 6.2 模型背后的那些人和事 167 6.3 激活函数是怎样的一种存在 175 6.4 什么是卷积函数 176 6.5 本章小结 177 6.6 请你思考 178 参考资料 178 第7章 Hello World感知机，懂你我心才安息 179 7.1 网之初，感知机 180 7.2 感知机名称的由来 180 7.3 感性认识“感知机” 183 7.4 感知机是如何学习的 185 7.5 感知机训练法则 187 7.6 感知机的几何意义 190 7.7 基于Python的感知机实战 191 7.8 感知机的表征能力 196 7.9 本章小结 199 7.10 请你思考 199 参考资料 199 第8章 损失函数减肥用，神经网络调权重 201 8.1 多层网络解决“异或”问题 202 8.2 感性认识多层前馈神经网络 205 8.3 是浅而“胖”好，还是深而“瘦”佳 209 8.4 分布式特征表达 210 8.5 丢弃学习与集成学习 211 8.6 现实很丰满，理想很骨感 212 8.7 损失函数的定义 213 8.8 热力学定律与梯度弥散 215 8.9 本章小结 216 8.10 请你思考 216 参考资料 217 第9章 山重水复疑无路，最快下降问梯度 219 9.1 “鸟飞派”还飞不 220 9.2 1986年的那篇神作 221 9.3 多层感知机网络遇到的大问题 222 9.4 神经网络结构的设计 225 9.5 再议损失函数 227 9.6 什么是梯度 229 9.7 什么是梯度递减 231 9.8 梯度递减的线性回归实战 235 9.9 什么是随机梯度递减 238 9.10 利用SGD解决线性回归实战 240 9.11 本章小结 247 9.12 请你思考 248 参考资料 248 第10章 BP算法双向传，链式求导最缠绵 249 10.1 BP算法极简史 250 10.2 正向传播信息 251 10.3 求导中的链式法则 255 10.4 误差反向传播 264 10.4.1 基于随机梯度下降的BP算法 265 10.4.2 输出层神经元的权值训练 267 10.4.3 隐含层神经元的权值训练 270 10.4.4 BP算法的感性认知 273 10.4.5 关于BP算法的补充说明 278 10.5 BP算法实战详细解释 280 10.5.1 初始化网络 280 10.5.2 信息前向传播 282 10.5.3 误差反向传播 285 10.5.4 训练网络（解决异或问题） 288 10.5.5 利用BP算法预测小麦品种的分类 293 10.6 本章小结 301 10.7 请你思考 302 参考资料 304 第11章 一骑红尘江湖笑，TensorFlow谷歌造 305 11.1 TensorFlow概述 306 11.2 深度学习框架比较 309 11.2.1 Theano 309 11.2.2 Keras 310 11.2.3 Caffe 311 11.2.4 PyTorch 312 11.3 TensorFlow的安装 313 11.3.1 Anaconda的安装 313 11.3.2 TensorFlow的CPU版本安装 315 11.3.3 TensorFlow的源码编译 323 11.4 Jupyter Notebook的使用 331 11.4.1 Jupyter Notebook的由来 331 11.4.2 Jupyter Notebook的安装 333 11.5 TensorFlow中的基础语法 337 11.5.1 什么是数据流图 338 11.5.2 构建第一个TensorFlow数据流图 339 11.5.3 可视化展现的TensorBoard 342 11.5.4 TensorFlow的张量思维 346 11.5.5 TensorFlow中的数据类型 348 11.5.6 TensorFlow中的操作类型 353 11.5.7 TensorFlow中的Graph对象 356 11.5.8 TensorFlow中的Session 358 11.5.9 TensorFlow中的placeholder 361 11.5.10 TensorFlow中的Variable对象 363 11.5.11 TensorFlow中的名称作用域 365 11.5.12 张量的Reduce方向 367 11.6 手写数字识别MNIST 372 11.6.1 MNIST数据集简介 373 11.6.2 MNIST数据的获取与预处理 375 11.6.3 分类模型的构建—Softmax Regression 378 11.7 TensorFlow中的Eager执行模式 394 11.7.1 Eager执行模式的背景 394 11.7.2 Eager执行模式的安装 395 11.7.3 Eager执行模式的案例 395 11.7.4 Eager执行模式的MNIST模型构建 398 11.8 本章小结 401 11.9 请你思考 402 参考资料 403 第12章 全面连接困何处，卷积网络显神威 404 12.1 卷积神经网络的历史 405 12.1.1 眼在何方？路在何方？ 405 12.1.2 卷积神经网络的历史脉络 406 12.1.3 那场著名的学术赌局 410 12.2 卷积神经网络的概念 412 12.2.1 卷积的数学定义 412 12.2.2 生活中的卷积 413 12.3 图像处理中的卷积 414 12.3.1 计算机“视界”中的图像 414 12.3.2 什么是卷积核 415 12.3.3 卷积在图像处理中的应用 418 12.4 卷积神经网络的结构 420 12.5 卷积层要义 422 12.5.1 卷积层的设计动机 422 12.5.2 卷积层的局部连接 427 12.5.3 卷积层的3个核心概念 428 12.6 细说激活层 434 12.6.1 两个看似闲扯的问题 434 12.6.2 追寻问题的本质 435 12.6.3 ReLU的理论基础 437 12.6.4 ReLU的不足之处 441 12.7 详解池化层 442 12.8 勿忘全连接层 445 12.9 本章小结 446 12.10 请你思考 447 参考资料 448 第13章 纸上谈兵终觉浅，绝知卷积要编程 450 13.1 TensorFlow的CNN架构 451 13.2 卷积层的实现 452 13.2.1 TensorFlow中的卷积函数 452 13.2.2 图像处理中的常用卷积核 456 13.3 激活函数的使用 460 13.3.1 Sigmoid函数 460 13.3.2 Tanh函数 461 13.3.3 修正线性单元——ReLU 462 13.3.4 Dropout函数 462 13.4 池化层的实现 466 13.5 规范化层 470 13.5.1 为什么需要规范化 470 13.5.2 局部响应规范化 472 13.5.3 批规范化 475 13.6 卷积神经网络在MNIST分类器中的应用 480 13.6.1 数据读取 480 13.6.2 初始化权值和偏置 480 13.6.3 卷积和池化 482 13.6.4 构建第一个卷积层 482 13.6.5 构建第二个卷积层 483 13.6.6 实现全连接层 484 13.6.7 实现Dropout层 485 13.6.8 实现Readout层 485 13.6.9 参数训练与模型评估 485 13.7 经典神经网络——AlexNet的实现 488 13.7.1 AlexNet的网络架构 488 13.7.2 数据读取 490 13.7.3 初始化权值和偏置 491 13.7.4 卷积和池化 491 13.7.5 局部响应归一化层 492 13.7.6 构建卷积层 492 13.7.7 实现全连接层和Dropout层 493 13.7.8 实现Readout层 494 13.7.9 参数训练与模型评估 494 13.8 本章小结 495 13.9 请你思考 496 参考资料 496 第14章 循环递归RNN，序列建模套路深 498 14.1 你可能不具备的一种思维 499 14.2 标准神经网络的缺陷所在 501 14.3 RNN简史 502 14.3.1 Hopfield网络 503 14.3.2 Jordan递归神经网络 504 14.3.3 Elman递归神经网络 505 14.3.4 RNN的应用领域 506 14.4 RNN的理论基础 506 14.4.1 Elman递归神经网络 506 14.4.2 循环神经网络的生物学机理 508 14.5 RNN的结构 509 14.6 循环神经网络的训练 512 14.6.1 问题建模 512 14.6.2 确定优化目标函数 513 14.6.3 参数求解 513 14.7 基于RNN的TensorFlow实战——正弦序列预测 514 14.7.1 生成数据 516 14.7.2 定义权值和偏置 517 14.7.3 前向传播 519 14.7.4 定义损失函数 522 14.7.5 参数训练与模型评估 522 14.8 本章小结 524 14.9 请你思考 524 参考资料 525 第15章 LSTM长短记，长序依赖可追忆 526 15.1 遗忘是好事还是坏事 527 15.2 施密德胡伯是何人 527 15.3 为什么需要LSTM 529 15.4 拆解LSTM 530 15.4.1 传统RNN的问题所在 530 15.4.2 改造的神经元 531 15.5 LSTM的前向计算 533 15.5.1 遗忘门 534 15.5.2 输入门 535 15.5.3 候选门 536 15.5.4 输出门 537 15.6 LSTM的训练流程 539 15.7 自然语言处理的一个假设 540 15.8 词向量表示方法 542 15.8.1 独热编码表示 543 15.8.2 分布式表示 545 15.8.3 词嵌入表示 547 15.9 自然语言处理的统计模型 549 15.9.1 NGram模型 549 15.9.2 基于神经网络的语言模型 550 15.9.3 基于循环神经网络的语言模型 553 15.9.4 LSTM语言模型的正则化 556 15.10 基于Penn Tree Bank的自然语言处理实战 560 15.10.1 下载及准备PTB数据集 561 15.10.2 导入基本包 562 15.10.3 定义相关的参数 562 15.10.4 语言模型的实现 563 15.10.5 训练并返回perplexity值 573 15.10.6 定义主函数并运行 575 15.10.7 运行结果 578 15.11 本章小结 579 15.12 请你思考 580 参考资料 580 第16章 卷积网络虽动人，胶囊网络更传“神” 583 16.1 从神经元到神经胶囊 584 16.2 卷积神经网络面临的挑战 584 16.3 神经胶囊的提出 588 16.4 神经胶囊理论初探 591 16.4.1 神经胶囊的生物学基础 591 16.4.2 神经胶囊网络的哲学基础 592 16.5 神经胶囊的实例化参数 594 16.6 神经胶囊的工作流程 598 16.6.1 神经胶囊向量的计算 598 16.6.2 动态路由的工作机理 600 16.6.3 判断多数字存在性的边缘损失函数 606 16.6.4 胶囊神经网络的结构 607 16.7 CapsNet的验证与实验 614 16.7.1 重构和预测效果 614 16.7.2 胶囊输出向量的维度表征意义 616 16.7.3 重叠图像的分割 617 16.8 神经胶囊网络的TensorFlow实现 618 16.8.1 导入基本包及读取数据集 619 16.8.2 图像输入 619 16.8.3 卷积层Conv1的实现 619 16.8.4 PrimaryCaps层的实现 620 16.8.5 全连接层 622 16.8.6 路由协议算法 628 16.8.7 估计实体出现的概率 630 16.8.8 损失函数的实现 631 16.8.9 额外设置 639 16.8.10 训练和评估 640 16.8.11 运行结果 643 16.9 本章小结 644 16.10 请你思考 645 16.11 深度学习美在何处 646 参考资料 647 后记 648 索引 651

张玉宏，2012年于电子科技大学取得博士学位，2009-2011年美国西北大学访问学者，电子科技大学博士后，现执教于河南工业大学。 中国计算机协会（CCF）会员，CCF YOCSEF郑州2018-2019年度副主席，ACM/IEEE会员。《品味大数据》一书作者。主要研究方向为大数据、人工智能、技术哲学。发表学术论文20余篇，国内外学术作品7部。阿里云云栖社区专栏作家，博文累计阅读逾百万次。

暂无其它内容！

• 矮子里面拔将军

  来源：豆瓣 发布时间：2025-05-10 13:23:51

• “世界上不缺乏美，缺乏的是发现美的眼睛~”

  来源：豆瓣 发布时间：2025-05-10 13:23:51