返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • [正版]动手学深度学习 李沐 人工智能机器学习入门书籍教程花书西瓜书周志华 Python神经网络编程入门
  • 新华书店正版 人工智能
    • 作者: 阿斯顿·张著
    • 出版社: 人民邮电出版社
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    友一个图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品参数
    • 作者: 阿斯顿·张著
    • 出版社:人民邮电出版社
    • ISBN:9789754091271
    • 版权提供:人民邮电出版社

             店铺公告

      为保障消费者合理购买需求及公平交易机会,避免因非生活消费目的的购买货囤积商品,抬价转售等违法行为发生,店铺有权对异常订单不发货且不进行赔付。异常订单:包括但不限于相同用户ID批量下单,同一用户(指不同用户ID,存在相同/临近/虚构收货地址,或相同联系号码,收件人,同账户付款人等情形的)批量下单(一次性大于5本),以及其他非消费目的的交易订单。

    温馨提示:请务必当着快递员面开箱验货,如发现破损,请立即拍照拒收,如验货有问题请及时联系在线客服处理,(如开箱验货时发现破损,所产生运费由我司承担,一经签收即为货物完好,如果您未开箱验货,一切损失就需要由买家承担,所以请买家一定要仔细验货),

    关于退货运费:对于下单后且物流已发货货品在途的状态下,原则上均不接受退货申请,如顾客原因退货需要承担来回运费,如因产品质量问题(非破损问题)可在签收后,联系在线客服。

      本店存在书、古旧书、收藏书、二手书等特殊商品,因受采购成本限制,可能高于定价销售,明码标价,介意者勿拍!

    1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍,避免价格争议!

    2.店铺无纸质均开具电子,请联系客服开具电子版

     

     
    我学Python
    人生苦短
     
    Python核心编程第3版 python从入门到实践开发进阶书籍 python机器学习数据处理分析网络爬虫python开发大全学习手册
    RMB:52.8089.00
    赠手册+配套资源】Python3编程从入门到实践 Python基础教程零基础自学Python入门书籍核心编程机器学习数据处理网络爬虫
    RMB:62.8080.00
    Python3网络爬虫开发实战 崔庆才 网络数据采集抓取处理分析书籍教程 写网络爬虫大数据教程程序设计计算机书
    RMB:64.8074.20
    正版】零基础Python从入门到精通 Python编程从入门到精通Python基础Python教程零基础学Python核心编程机器学习数据处理爬虫
    RMB:32.4453.70
    【正版包邮】Python编程从入门到精通 python学习手册python基础入门书籍随书视频扫码学编程基础书 数据python学习入门到实践教程
    RMB:51.5157.50
    Python基础教程 第3版python3核心编程从入门到实践网络爬虫数据分析 零基础自学pathon从入门到精通程序设计实战代码程序设计书书
    RMB:89.0089.00
    【官方正版】机器学习实战 基于Python代码 人工智能入门书籍 周志华西瓜书机器学习入门教程书籍深度学习框架实战方法基础教程书
    RMB:45.3062.10
    玩着也能学编程+玩着也能学PYTHON 少儿编程入门教程 编程入门 零基础python少儿编程教材基础教程入门电脑编程入门零基础自学书籍
    RMB:96.02121.40
    Python语言程序设计 梁勇 Python基础教程入门python数据分析计算机科学丛书python爬虫编程 新华书店正版图书籍
    RMB:57.3857.70
    【官方正版】利用Python进行数据分析原书第2版 python基础入门教程python数据分析爬虫程序大数据处理计算机程序设计新华书店正版
    RMB:77.50107.10
    流畅的Python python核心编程教程书籍 python代码大全 python入门到精通 Python语言编程程序设计教材书 Python软件开发技术
    RMB:122.30125.00
    Python金融大数据分析 Python数据分析指南 Python程序设计 Python大数据指南 金融经济数据分析管理 Python 金融应用开发指南书籍
    RMB:52.8089.00
    2029046125

    动手学深度学习

    作  者:阿斯顿·张(Aston Zhang) 等 著
    定  价:85
    出 版 社:人民邮电出版社
    出版日期:2019年06月01日
    页  数:412
    装  帧:平装
    ISBN:9787115490841

     

    2029046125
    对本书的赞誉
    前言
    如何使用本书
    资源与支持
    主要符号表
    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
    2.2.6NDArray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
    3.4softmax回归38
    3.4.1分类问题38
    3.4.2softmax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
    3.6softmax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
    3.7softmax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
    3.7.3softmax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
    3.16.1Kaggle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
    3.16.5k 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
    4.1.2Sequential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
    4.6GPU计算101
    4.6.1计算设备102
    4.6.2NDArray的GPU计算102
    4.6.3Gluon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
    5.3.31×1卷积层116
    小结117
    练习117
    5.4池化层117
    5.4.1二维优选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
    5.5.1LeNet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
    5.6.2AlexNet126
    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
    5.7.1VGG块129
    5.7.2VGG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
    5.8.1NiN块131
    5.8.2NiN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
    5.9.1Inception块134
    5.9.2GoogLeNet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
    5.11.2ResNet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
    5.12.3DenseNet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
    6.1.2n 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
    6.4.1one-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
    7.5AdaGrad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
    7.6RMSProp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
    7.7AdaDelta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
    7.8Adam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
    8.2.1MXNet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
    8.3.1CPU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
    9.8.1R-CNN280
    9.8.2Fast R-CNN281
    9.8.3Faster R-CNN283
    9.8.4Mask 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
    9.9.2Pascal 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(ImageNetDogs)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
    0 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
    10.3word2vec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
    10.5.1GloVe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时序优选池化层349
    10.8.3读取和预处理IMDb数据集350
    10.8.4textCNN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DGPU 购买指南388
    附录E如何为本书做贡献391
    附录Fd2lzh 包索引395
    附录G中英文术语对照表397
    参考文献402
    索引407
    2029046125

    内容简介

    本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理,还演示它们的实现和运行。与传统图书不同,本书的每一节都是一个可以并运行的 Jupyter记事本,它将文字、公式、图像、代码和运行结果结合在了一起。此外,读者还可以访问并参与书中内容的讨论。全书的内容分为3个部分:部分介绍深度学习的背景,提供预备知识,并包括深度学习很基础的概念和技术;第二部分描述深度学习计算的重要组成部分,还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络;第三部分评价优化算法,检验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。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。

    2029046125
    2029046125
    1
    • 商品详情
    • 内容简介

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购