动手学深度学习PDF|Epub|txt|kindle电子书版本网盘下载

动手学深度学习PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 深度学习简介1

1.1 起源2

1.2 发展4

1.3 成功案例6

1.4 特点7

小结8

练习8

第2章 预备知识9

2.1 获取和运行本书的代码9

2.1.1 获取代码并安装运行环境9

2.1.2 更新代码和运行环境11

2.1.3 使用GPU版的MXNet11

小结12

练习12

2.2 数据操作12

2.2.1 创建NDArray12

2.2.2 运算14

2.2.3 广播机制16

2.2.4 索引17

2.2.5 运算的内存开销17

2.2.6 NDArray和NumPy相互变换18

小结19

练习19

2.3 自动求梯度19

2.3.1 简单例子19

2.3.2 训练模式和预测模式20

2.3.3 对Python控制流求梯度20

小结21

练习21

2.4 查阅文档21

2.4.1 查找模块里的所有函数和类21

2.4.2 查找特定函数和类的使用22

2.4.3 在MXNet网站上查阅23

小结24

练习24

第3章 深度学习基础25

3.1 线性回归25

3.1.1 线性回归的基本要素25

3.1.2 线性回归的表示方法28

小结30

练习30

3.2 线性回归的从零开始实现30

3.2.1 生成数据集30

3.2.2 读取数据集32

3.2.3 初始化模型参数32

3.2.4 定义模型33

3.2.5 定义损失函数33

3.2.6 定义优化算法33

3.2.7 训练模型33

小结34

练习34

3.3 线性回归的简洁实现35

3.3.1 生成数据集35

3.3.2 读取数据集35

3.3.3 定义模型36

3.3.4 初始化模型参数36

3.3.5 定义损失函数37

3.3.6 定义优化算法37

3.3.7 训练模型37

小结38

练习38

3.4 softmax回归38

3.4.1 分类问题38

3.4.2 softmax回归模型39

3.4.3 单样本分类的矢量计算表达式40

3.4.4 小批量样本分类的矢量计算表达式40

3.4.5 交叉熵损失函数41

3.4.6 模型预测及评价42

小结42

练习42

3.5 图像分类数据集（Fashion-MNIST）42

3.5.1 获取数据集42

3.5.2 读取小批量44

小结45

练习45

3.6 softmax回归的从零开始实现45

3.6.1 读取数据集45

3.6.2 初始化模型参数45

3.6.3 实现softmax运算46

3.6.4 定义模型46

3.6.5 定义损失函数47

3.6.6 计算分类准确率47

3.6.7 训练模型48

3.6.8 预测48

小结49

练习49

3.7 softmax回归的简洁实现49

3.7.1 读取数据集49

3.7.2 定义和初始化模型50

3.7.3 softmax和交叉熵损失函数50

3.7.4 定义优化算法50

3.7.5 训练模型50

小结50

练习50

3.8 多层感知机51

3.8.1 隐藏层51

3.8.2 激活函数52

3.8.3 多层感知机55

小结55

练习55

3.9 多层感知机的从零开始实现56

3.9.1 读取数据集56

3.9.2 定义模型参数56

3.9.3 定义激活函数56

3.9.4 定义模型56

3.9.5 定义损失函数57

3.9.6 训练模型57

小结57

练习57

3.10 多层感知机的简洁实现57

3.10.1 定义模型58

3.10.2 训练模型58

小结58

练习58

3.11 模型选择、欠拟合和过拟合58

3.11.1 训练误差和泛化误差59

3.11.2 模型选择59

3.11.3 欠拟合和过拟合60

3.11.4 多项式函数拟合实验61

小结65

练习65

3.12 权重衰减65

3.12.1 方法65

3.12.2 高维线性回归实验66

3.12.3 从零开始实现66

3.12.4 简洁实现68

小结70

练习70

3.13 丢弃法70

3.13.1 方法70

3.13.2 从零开始实现71

3.13.3 简洁实现73

小结74

练习74

3.14 正向传播、反向传播和计算图74

3.14.1 正向传播74

3.14.2 正向传播的计算图75

3.14.3 反向传播75

3.14.4 训练深度学习模型76

小结77

练习77

3.15 数值稳定性和模型初始化77

3.15.1 衰减和爆炸77

3.15.2 随机初始化模型参数78

小结78

练习79

3.16 实战Kaggle比赛：房价预测79

3.16.1 Kaggle比赛79

3.16.2 读取数据集80

3.16.3 预处理数据集81

3.16.4 训练模型82

3.16.5 k折交叉验证82

3.16.6 模型选择83

3.16.7 预测并在Kaggle提交结果84

小结85

练习85

第4章 深度学习计算86

4.1 模型构造86

4.1.1 继承Block类来构造模型86

4.1.2 Sequential类继承自Block类87

4.1.3 构造复杂的模型88

小结89

练习90

4.2 模型参数的访问、初始化和共享90

4.2.1 访问模型参数90

4.2.2 初始化模型参数92

4.2.3 自定义初始化方法93

4.2.4 共享模型参数94

小结94

练习94

4.3 模型参数的延后初始化95

4.3.1 延后初始化95

4.3.2 避免延后初始化96

小结96

练习97

4.4 自定义层97

4.4.1 不含模型参数的自定义层97

4.4.2 含模型参数的自定义层98

小结99

练习99

4.5 读取和存储99

4.5.1 读写NDArray99

4.5.2 读写Gluon模型的参数100

小结101

练习101

4.6 GPU计算101

4.6.1 计算设备102

4.6.2 NDArray的GPU计算102

4.6.3 Gluon的GPU计算104

小结105

练习105

第5章 卷积神经网络106

5.1 二维卷积层106

5.1.1 二维互相关运算106

5.1.2 二维卷积层107

5.1.3 图像中物体边缘检测108

5.1.4 通过数据学习核数组109

5.1.5 互相关运算和卷积运算109

5.1.6 特征图和感受野110

小结110

练习110

5.2 填充和步幅111

5.2.1 填充111

5.2.2 步幅112

小结113

练习113

5.3 多输入通道和多输出通道114

5.3.1 多输入通道114

5.3.2 多输出通道115

5.3.3 1×1卷积层116

小结117

练习117

5.4 池化层117

5.4.1 二维最大池化层和平均池化层117

5.4.2 填充和步幅119

5.4.3 多通道120

小结120

练习121

5.5 卷积神经网络（LeNet）121

5.5.1 LeNet模型121

5.5.2 训练模型122

小结124

练习124

5.6 深度卷积神经网络（AlexNet）124

5.6.1 学习特征表示125

5.6.2 AlexNet126

5.6.3 读取数据集127

5.6.4 训练模型128

小结128

练习129

5.7 使用重复元素的网络（VGG）129

5.7.1 VGG块129

5.7.2 VGG网络129

5.7.3 训练模型130

小结131

练习131

5.8 网络中的网络（NiN）131

5.8.1 NiN块131

5.8.2 NiN模型132

5.8.3 训练模型133

小结134

练习134

5.9 含并行连结的网络（GoogLeNet）134

5.9.1 Inception块134

5.9.2 GoogLeNet模型135

5.9.3 训练模型137

小结137

练习137

5.10 批量归一化138

5.10.1 批量归一化层138

5.10.2 从零开始实现139

5.10.3 使用批量归一化层的LeNet140

5.10.4 简洁实现141

小结142

练习142

5.11 残差网络（ResNet）143

5.11.1 残差块143

5.11.2 ResNet模型145

5.11.3 训练模型146

小结146

练习146

5.12 稠密连接网络（DenseNet）147

5.12.1 稠密块147

5.12.2 过渡层148

5.12.3 DenseNet模型148

5.12.4 训练模型149

小结149

练习149

第6章 循环神经网络150

6.1 语言模型150

6.1.1 语言模型的计算151

6.1.2 n元语法151

小结152

练习152

6.2 循环神经网络152

6.2.1 不含隐藏状态的神经网络152

6.2.2 含隐藏状态的循环神经网络152

6.2.3 应用：基于字符级循环神经网络的语言模型154

小结155

练习155

6.3 语言模型数据集（歌词）155

6.3.1 读取数据集155

6.3.2 建立字符索引156

6.3.3 时序数据的采样156

小结158

练习159

6.4 循环神经网络的从零开始实现159

6.4.1 one-hot向量159

6.4.2 初始化模型参数160

6.4.3 定义模型160

6.4.4 定义预测函数161

6.4.5 裁剪梯度161

6.4.6 困惑度162

6.4.7 定义模型训练函数162

6.4.8 训练模型并创作歌词163

小结164

练习164

6.5 循环神经网络的简洁实现165

6.5.1 定义模型165

6.5.2 训练模型166

小结168

练习168

6.6 通过时间反向传播168

6.6.1 定义模型168

6.6.2 模型计算图169

6.6.3 方法169

小结170

练习170

6.7 门控循环单元（GRU）170

6.7.1 门控循环单元171

6.7.2 读取数据集173

6.7.3 从零开始实现173

6.7.4 简洁实现175

小结176

练习176

6.8 长短期记忆（LSTM）176

6.8.1 长短期记忆176

6.8.2 读取数据集179

6.8.3 从零开始实现179

6.8.4 简洁实现181

小结181

练习182

6.9 深度循环神经网络182

小结183

练习183

6.10 双向循环神经网络183

小结184

练习184

第7章 优化算法185

7.1 优化与深度学习185

7.1.1 优化与深度学习的关系185

7.1.2 优化在深度学习中的挑战186

小结188

练习189

7.2 梯度下降和随机梯度下降189

7.2.1 一维梯度下降189

7.2.2 学习率190

7.2.3 多维梯度下降191

7.2.4 随机梯度下降193

小结194

练习194

7.3 小批量随机梯度下降194

7.3.1 读取数据集195

7.3.2 从零开始实现196

7.3.3 简洁实现198

小结199

练习199

7.4 动量法200

7.4.1 梯度下降的问题200

7.4.2 动量法201

7.4.3 从零开始实现203

7.4.4 简洁实现205

小结205

练习205

7.5 AdaGrad算法206

7.5.1 算法206

7.5.2 特点206

7.5.3 从零开始实现208

7.5.4 简洁实现209

小结209

练习209

7.6 RMSProp算法209

7.6.1 算法210

7.6.2 从零开始实现211

7.6.3 简洁实现212

小结212

练习212

7.7 AdaDelta算法212

7.7.1 算法212

7.7.2 从零开始实现213

7.7.3 简洁实现214

小结214

练习214

7.8 Adam算法215

7.8.1 算法215

7.8.2 从零开始实现216

7.8.3 简洁实现216

小结217

练习217

第8章 计算性能218

8.1 命令式和符号式混合编程218

8.1.1 混合式编程取两者之长220

8.1.2 使用HybridSequential类构造模型220

8.1.3 使用HybridBlock类构造模型222

小结224

练习224

8.2 异步计算224

8.2.1 MXNet中的异步计算224

8.2.2 用同步函数让前端等待计算结果226

8.2.3 使用异步计算提升计算性能226

8.2.4 异步计算对内存的影响227

小结229

练习229

8.3 自动并行计算229

8.3.1 CPU和GPU的并行计算230

8.3.2 计算和通信的并行计算231

小结231

练习231

8.4 多GPU计算232

8.4.1 数据并行232

8.4.2 定义模型233

8.4.3 多GPU之间同步数据234

8.4.4 单个小批量上的多GPU训练236

8.4.5 定义训练函数236

8.4.6 多GPU训练实验237

小结237

练习237

8.5 多GPU计算的简洁实现237

8.5.1 多GPU上初始化模型参数238

8.5.2 多GPU训练模型239

小结241

练习241

第9章 计算机视觉242

9.1 图像增广242

9.1.1 常用的图像增广方法243

9.1.2 使用图像增广训练模型246

小结250

练习250

9.2 微调250

热狗识别251

小结255

练习255

9.3 目标检测和边界框255

边界框256

小结257

练习257

9.4 锚框257

9.4.1 生成多个锚框257

9.4.2 交并比259

9.4.3 标注训练集的锚框260

9.4.4 输出预测边界框263

小结265

练习265

9.5 多尺度目标检测265

小结268

练习268

9.6 目标检测数据集（皮卡丘）268

9.6.1 获取数据集269

9.6.2 读取数据集269

9.6.3 图示数据270

小结270

练习271

9.7 单发多框检测（SSD）271

9.7.1 定义模型271

9.7.2 训练模型275

9.7.3 预测目标277

小结278

练习278

9.8 区域卷积神经网络（R-CNN）系列280

9.8.1 R-CNN280

9.8.2 Fast R-CNN281

9.8.3 Faster R-CNN283

9.8.4 Mask R-CNN284

小结285

练习285

9.9 语义分割和数据集285

9.9.1 图像分割和实例分割285

9.9.2 Pascal VOC2012语义分割数据集286

小结290

练习290

9.10 全卷积网络（FCN）290

9.10.1 转置卷积层291

9.10.2 构造模型292

9.10.3 初始化转置卷积层294

9.10.4 读取数据集295

9.10.5 训练模型296

9.10.6 预测像素类别296

小结297

练习297

9.11 样式迁移298

9.11.1 方法298

9.11.2 读取内容图像和样式图像299

9.11.3 预处理和后处理图像300

9.11.4 抽取特征301

9.11.5 定义损失函数302

9.11.6 创建和初始化合成图像303

9.11.7 训练模型304

小结306

练习306

9.12 实战Kaggle比赛：图像分类（CIFAR-10）306

9.12.1 获取和整理数据集307

9.12.2 图像增广310

9.12.3 读取数据集310

9.12.4 定义模型311

9.12.5 定义训练函数312

9.12.6 训练模型312

9.12.7 对测试集分类并在Kaggle提交结果313

小结313

练习313

9.13 实战Kaggle比赛：狗的品种识别（ImageNet Dogs）314

9.13.1 获取和整理数据集315

9.13.2 图像增广316

9.13.3 读取数据集317

9.13.4 定义模型318

9.13.5 定义训练函数318

9.13.6 训练模型319

9.13.7 对测试集分类并在Kaggle提交结果319

小结320

练习320

第10章 自然语言处理321

10.1 词嵌入（word2vec）321

10.1.1 为何不采用one-hot向量321

10.1.2 跳字模型322

10.1.3 连续词袋模型323

小结325

练习325

10.2 近似训练325

10.2.1 负采样325

10.2.2 层序softmax326

小结327

练习328

10.3 word2vec的实现328

10.3.1 预处理数据集328

10.3.2 负采样331

10.3.3 读取数据集331

10.3.4 跳字模型332

10.3.5 训练模型333

10.3.6 应用词嵌入模型335

小结336

练习336

10.4 子词嵌入（fastText）336

小结337

练习337

10.5 全局向量的词嵌入（GloVe）337

10.5.1 GloVe模型338

10.5.2 从条件概率比值理解GloVe模型339

小结340

练习340

10.6 求近义词和类比词340

10.6.1 使用预训练的词向量340

10.6.2 应用预训练词向量341

小结343

练习343

10.7 文本情感分类：使用循环神经网络343

10.7.1 文本情感分类数据集343

10.7.2 使用循环神经网络的模型345

小结347

练习347

10.8 文本情感分类：使用卷积神经网络（textCNN）347

10.8.1 一维卷积层348

10.8.2 时序最大池化层349

10.8.3 读取和预处理IMDb数据集350

10.8.4 textCNN模型350

小结353

练习353

10.9 编码器－解码器（seq2seq）353

10.9.1 编码器354

10.9.2 解码器354

10.9.3 训练模型355

小结355

练习355

10.10 束搜索355

10.10.1 贪婪搜索356

10.10.2 穷举搜索357

10.10.3 束搜索357

小结358

练习358

10.11 注意力机制358

10.11.1 计算背景变量359

10.11.2 更新隐藏状态360

10.11.3 发展361

小结361

练习361

10.12 机器翻译361

10.12.1 读取和预处理数据集361

10.12.2 含注意力机制的编码器－解码器363

10.12.3 训练模型365

10.12.4 预测不定长的序列367

10.12.5 评价翻译结果367

小结369

练习369

附录A 数学基础370

附录B 使用Jupyter记事本376

附录C 使用AWS运行代码381

附录D GPU购买指南388

附录E 如何为本书做贡献391

附录F d2lzh包索引395

附录G 中英文术语对照表397

参考文献402

索引407