[正版]套装2本深度学习自学入门进阶教程 斋藤康毅著 深度学习入门经典教程 深度学习进阶 自然语言处理 深度学习教程书

        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。

深度学习入门 基于Python的理论与实现
	定价	69.80
	出版社	人民邮电出版社
	版次	D1版
	出版时间	2018年07月
	开本	大32开
	作者	斋藤康毅
	装帧	平装
	页数	285
	字数
	ISBN编码	9787115485588

深度学习进阶 自然语言处理
	定价	99.00
	出版社	人民邮电出版社
	版次	1
	出版时间	2020年10月
	开本	32开
	作者	[日] 斋藤康毅 著，陆宇杰 译
	装帧	平装
	页数	400
	字数	394000
	ISBN编码	9787115547644

《 深度学习入门 基于Python的理论与实现 》

本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。

《深度学习进阶 自然语言处理》

《 深度学习入门 基于Python的理论与实现 》

D 1 章　Python入门 1  
1.1 Python是什么 1  
1.2 Python的安装 2  
1.2.1　Python版本 2  
1.2.2　使用的外部库 2  
1.2.3　Anaconda发行版 3  
1.3 Python解释器 4  
1.3.1　算术计算 4  
1.3.2　数据类型 5  
1.3.3　变量 5  
1.3.4　列表 6  
1.3.5　字典 7  
1.3.6　布尔型 7  
1.3.7　if 语句 8  
1.3.8　for 语句 8  
1.3.9　函数 9  
1.4 Python脚本文件 9  
1.4.1　保存为文件 9  
1.4.2　类 10  
1.5 NumPy 11  
1.5.1　导入NumPy 11  
1.5.2　生成NumPy数组 12  
1.5.3　NumPy 的算术运算 12  
1.5.4　NumPy的N维数组 13  
1.5.5　广播 14  
1.5.6　访问元素 15  
1.6 Matplotlib 16  
1.6.1　绘制简单图形 16  
1.6.2　pyplot 的功能 17  
1.6.3　显示图像 18  
1.7 小结 19  
D 2 章　感知机 21  
2.1 感知机是什么 21  
2.2 简单逻辑电路 23  
2.2.1　与门 23  
2.2.2　与非门和或门 23  
2.3 感知机的实现 25  
2.3.1　简单的实现 25  
2.3.2　导入权重和偏置 26  
2.3.3　使用权重和偏置的实现 26  
2.4 感知机的局限性 28  
2.4.1　异或门 28  
2.4.2　线性和非线性 30  
2.5 多层感知机 31  
2.5.1　已有门电路的组合 31  
2.5.2　异或门的实现 33  
2.6 从与非门到计算机 35  
2.7 小结 36  
D3 章　神经网络 37  
3.1 从感知机到神经网络 37  
3.1.1　神经网络的例子 37  
3.1.2　复习感知机 38  
3.1.3　激活函数登场 40  
3.2 激活函数 42  
3.2.1　sigmoid 函数 42  
3.2.2　阶跃函数的实现 43  
3.2.3　阶跃函数的图形 44  
3.2.4　sigmoid 函数的实现 45  
3.2.5　sigmoid 函数和阶跃函数的比较 46  
3.2.6　非线性函数 48  
3.2.7　ReLU函数 49  
3.3 多维数组的运算 50  
3.3.1　多维数组 50  
3.3.2　矩阵乘法 51  
3.3.3　神经网络的内积 55  
3.4 3 层神经网络的实现 56  
3.4.1　符号确认 57  
3.4.2　各层间信号传递的实现 58  
3.4.3　代码实现小结 62  
3.5 输出层的设计 63  
3.5.1　恒等函数和softmax 函数 64  
3.5.2　实现softmax 函数时的注意事项 66  
3.5.3　softmax 函数的特征 67  
3.5.4　输出层的神经元数量 68  
3.6 手写数字识别 69  
3.6.1　MNIST数据集 70  
3.6.2　神经网络的推理处理 73  
3.6.3　批处理 75  
3.7 小结 79  
D4 章　神经网络的学习 81  
4.1 从数据中学习 81  
4.1.1　数据驱动 82  
4.1.2　训练数据和测试数据 84  
4.2 损失函数 85  
4.2.1　均方误差 85  
4.2.2　交叉熵误差 87  
4.2.3　mini-batch 学习 88  
4.2.4　mini-batch 版交叉熵误差的实现 91  
4.2.5　为何要设定损失函数 92  
4.3 数值微分 94  
4.3.1　导数 94  
4.3.2　数值微分的例子 96  
4.3.3　偏导数 98  
4.4 梯度 100  
4.4.1　梯度法 102  
4.4.2　神经网络的梯度 106  
4.5 学习算法的实现 109  
4.5.1　2 层神经网络的类 110  
4.5.2　mini-batch 的实现 114  
4.5.3　基于测试数据的评价 116  
4.6 小结 118  
D5 章　误差反向传播法 121  
5.1 计算图 121  
5.1.1　用计算图求解 122  
5.1.2　局部计算 124  
5.1.3　为何用计算图解题 125  
5.2 链式法则 126  
5.2.1　计算图的反向传播 127  
5.2.2　什么是链式法则 127  
5.2.3　链式法则和计算图 129  
5.3 反向传播 130  
5.3.1　加法节点的反向传播 130  
5.3.2　乘法节点的反向传播 132  
5.3.3　苹果的例子 133  
5.4 简单层的实现 135  
5.4.1　乘法层的实现 135  
5.4.2　加法层的实现 137  
5.5 激活函数层的实现 139  
5.5.1　ReLU层 139  
5.5.2　Sigmoid 层 141  
5.6 Affine/Softmax层的实现 144  
5.6.1　Affine层 144  
5.6.2　批版本的Affine层 148  
5.6.3　Softmax-with-Loss 层 150  
5.7 误差反向传播法的实现 154  
5.7.1　神经网络学习的全貌图 154  
5.7.2　对应误差反向传播法的神经网络的实现 155  
5.7.3　误差反向传播法的梯度确认 158  
5.7.4　使用误差反向传播法的学习 159  
5.8 小结 161  
D6 章　与学习相关的技巧 163  
6.1 参数的更新 163  
6.1.1　探险家的故事 164  
6.1.2　SGD 164  
6.1.3　SGD的缺点 166  
6.1.4　Momentum 168  
6.1.5　AdaGrad 170  
6.1.6　Adam 172  
6.1.7　使用哪种更新方法呢 174  
6.1.8　基于MNIST数据集的更新方法的比较 175  
6.2 权重的初始值 176  
6.2.1　可以将权重初始值设为0 吗 176  
6.2.2　隐藏层的激活值的分布 177  
6.2.3　ReLU的权重初始值 181  
6.2.4　基于MNIST数据集的权重初始值的比较 183  
6.3 Batch Normalization 184  
6.3.1　Batch Normalization 的算法 184  
6.3.2　Batch Normalization 的评估 186  
6.4 正则化 188  
6.4.1　过拟合 189  
6.4.2　权值衰减 191  
6.4.3　Dropout 192  
6.5 超参数的验证 195  
6.5.1　验证数据 195  
6.5.2　超参数的Z优化 196  
6.5.3　超参数Z优化的实现 198  
6.6 小结 200  
D7 章　卷积神经网络 201  
7.1 整体结构 201  
7.2 卷积层 202  
7.2.1　全连接层存在的问题 203  
7.2.2　卷积运算 203  
7.2.3　填充 206  
7.2.4　步幅 207  
7.2.5　3 维数据的卷积运算 209  
7.2.6　结合方块思考 211  
7.2.7　批处理 213  
7.3 池化层 214  
7.4 卷积层和池化层的实现 216  
7.4.1　4 维数组 216  
7.4.2　基于im2col 的展开 217  
7.4.3　卷积层的实现 219  
7.4.4　池化层的实现 222  
7.5 CNN的实现 224  
7.6 CNN的可视化 228  
7.6.1　D 1 层权重的可视化 228  
7.6.2　基于分层结构的信息提取 230  
7.7 具有代表性的CNN 231  
7.7.1　LeNet 231  
7.7.2　AlexNet 232  
7.8 小结 233  
D8 章　深度学习 235  
8.1 加深网络 235  
8.1.1　向更深的网络出发 235  
8.1.2　进一步提高识别精度 238  
8.1.3　加深层的动机 240  
8.2 深度学习的小历史 242  
8.2.1　ImageNet 243  
8.2.2　VGG 244  
8.2.3　GoogLeNet 245  
8.2.4　ResNet 246  
8.3 深度学习的高速化 248  
8.3.1　需要努力解决的问题 248  
8.3.2　基于GPU的高速化 249  
8.3.3　分布式学习 250  
8.3.4　运算精度的位数缩减 252  
8.4 深度学习的应用案例 253  
8.4.1　物体检测 253  
8.4.2　图像分割 255  
8.4.3　图像标题的生成 256  
8.5 深度学习的未来 258  
8.5.1　图像风格变换 258  
8.5.2　图像的生成 259  
8.5.3　自动驾驶 261  
8.5.4　Deep Q-Network（强化学习） 262  
8.6 小结 264  
附录A　Softmax-with-Loss 层的计算图 267  
A.1 正向传播 268  
A.2 反向传播 270  
A.3 小结 277  
参考文献 279

已省略更多的目录..............

《深度学习进阶 自然语言处理》

译者序 xi    
前言　xiii    
D　1 章 神经网络的复习　1    
1．1　数学和Python的复习　1    
1．1．1　向量和矩阵　1    
1．1．2　矩阵的对应元素的运算　4    
1．1．3　广播　4    
1．1．4　向量内积和矩阵乘积　6    
1．1．5　矩阵的形状检查　7    
1．2　神经网络的推理　8    
1．2．1　神经网络的推理的全貌图　8    
1．2．2　层的类化及正向传播的实现　14    
1．3　神经网络的学习　18    
1．3．1　损失函数　18    
1．3．2　导数和梯度　21    
1．3．3　链式法则　23    
1．3．4　计算图　24    
1．3．5　梯度的推导和反向传播的实现　35    
1．3．6　权重的更新　39    
1．4　使用神经网络解决问题　41    
1．4．1　螺旋状数据集　41    
1．4．2　神经网络的实现　43    
1．4．3　学习用的代码　45    
1．4．4　Trainer 类　49    
1．5　计算的高速化　50    
1．5．1　位精度　51    
1．5．2　GPU（CuPy）　52    
1．6　小结　54    
D　2 章 自然语言和单词的分布式表示　57    
2．1　什么是自然语言处理　57    
2．2　同义词词典　59    
2．2．1　WordNet　61    
2．2．2　同义词词典的问题　61    
2．3　基于计数的方法　63    
2．3．1　基于Python的语料库的预处理　63    
2．3．2　单词的分布式表示　66    
2．3．3　分布式假设　67    
2．3．4　共现矩阵　68    
2．3．5　向量间的相似度　72    
2．3．6　相似单词的排序　74    
2．4　基于计数的方法的改进　77    
2．4．1　点互信息　77    
2．4．2　降维　81    
2．4．3　基于SVD的降维　84    
2．4．4　PTB数据集　86    
2．4．5　基于PTB数据集的评价　88    
2．5　小结　91    
D3　章 word2vec　93    
3．1　基于推理的方法和神经网络　93    
3．1．1　基于计数的方法的问题　94    
3．1．2　基于推理的方法的概要　95    
3．1．3　神经网络中单词的处理方法　96    
3．2　简单的word2vec　101    
3．2．1　CBOW模型的推理　101    
3．2．2　CBOW模型的学习　106    
3．2．3　word2vec的权重和分布式表示　108    
3．3　学习数据的准备　110    
3．2．1　上下文和目标词　110    
3．3．2　转化为one-hot 表示　113    
3．4　CBOW模型的实现　114    
3．5　word2vec的补充说明　120    
3．5．1　CBOW模型和概率　121    
3．5．2　skip-gram 模型　122    
3．5．3　基于计数与基于推理　125    
3．6　小结　127    
D4　章 word2vec的高速化　129    
4．1　word2vec的改进①　129    
4．1．1　Embedding层　132    
4．1．2　Embedding层的实现　133    
4．2　word2vec的改进②　137    
4．2．1　中间层之后的计算问题　138    
4．2．2　从多分类到二分类　139    
4．2．3　Sigmoid 函数和交叉熵误差　141    
4．2．4　多分类到二分类的实现　144    
4．2．5　负采样　148    
4．2．6　负采样的采样方法　151    
4．2．7　负采样的实现　154    
4．3　改进版word2vec的学习　156    
4．3．1　CBOW模型的实现　156    
4．3．2　CBOW模型的学习代码　159    
4．3．3　CBOW模型的评价　161    
4．4　wor2vec相关的其他话题　165    
4．4．1　word2vec的应用例　166    
4．4．2　单词向量的评价方法　168    
4．5　小结　170    
D5　章 RNN　173    
5．1　概率和语言模型　173    
5．1．1　概率视角下的word2vec　174    
5．1．2　语言模型　176    
5．1．3　将CBOW模型用作语言模型？　178    
5．2　RNN　181    
5．2．1　循环的神经网络　181    
5．2．2　展开循环　183    
5．2．3　Backpropagation Through Time　185    
5．2．4　Truncated BPTT　186    
5．2．5　Truncated BPTT的mini-batch 学习　190    
5．3　RNN的实现　192    
5．3．1　RNN层的实现　193    
5．3．2　Time RNN层的实现　197    
5．4　处理时序数据的层的实现　202    
5．4．1　RNNLM的全貌图　202    
5．4．2　Time层的实现　205    
5．5　RNNLM的学习和评价　207    
5．5．1　RNNLM的实现　207    
5．5．2　语言模型的评价　211    
5．5．3　RNNLM的学习代码　213    
5．5．4　RNNLM的Trainer类　216    
5．6　小结　217    
D6　章 Gated RNN　219    
6．1　RNN的问题　220    
6．1．1　RNN的复习　220    
6．1．2　梯度消失和梯度爆炸　221    
6．1．3　梯度消失和梯度爆炸的原因　223    
6．1．4　梯度爆炸的对策　228    
6．2　梯度消失和LSTM　229    
6．2．1　LSTM的接口　230    
6．2．2　LSTM层的结构　231    
6．2．3　输出门　234    
6．2．4　遗忘门　236    
6．2．5　新的记忆单元　237    
6．2．6　输入门　238    
6．2．7　LSTM的梯度的流动　239    
6．3　LSTM的实现　240    
6．4　使用LSTM的语言模型　248    
6．5　进一步改进RNNLM　255    
6．5．1　LSTM层的多层化　256    
6．5．2　基于Dropout抑制过拟合　257    
6．5．3　权重共享　262    
6．5．4　更好的RNNLM的实现　263    
6．5．5　前沿研究　269    
6．6　小结　270    
D7　章 基于RNN生成文本　273    
7．1　使用语言模型生成文本　274    
7．1．1　使用RNN生成文本的步骤　274    
7．1．2　文本生成的实现　278    
7．1．3　更好的文本生成　281    
7．2　seq2seq 模型　283    
7．2．1　seq2seq 的原理　283    
7．2．2　时序数据转换的简单尝试　287    
7．2．3　可变长度的时序数据　288    
7．2．4　加法数据集　290    
7．3　seq2seq 的实现　291    
7．3．1　Encoder类　291    
7．3．2　Decoder类　295    
7．3．3　Seq2seq 类　300    
7．3．4　seq2seq 的评价　301    
7．4　seq2seq 的改进　305    
7．4．1　反转输入数据（Reverse）　305    
7．4．2　偷窥（Peeky）　308    
7．5　seq2seq 的应用　313    
7．5．1　聊天机器人　314    
7．5．2　算法学习　315    
7．5．3　自动图像描述　316    
7．6　小结　318    
D8　章 Attention　321    
8．1　Attention 的结构　321    
8．1．1　seq2seq 存在的问题　322    
8．1．2　编码器的改进　323    
8．1．3　解码器的改进①　325    
8．1．4　解码器的改进②　333    
8．1．5　解码器的改进③　339    
8．2　带Attention 的seq2seq 的实现　344    
8．2．1　编码器的实现　344    
8．2．2　解码器的实现　345    
8．2．3　seq2seq 的实现　347    
8．3　Attention 的评价　347    
8．3．1　日期格式转换问题　348    
8．3．2　带Attention 的seq2seq 的学习　349    
8．3．3　Attention 的可视化　353    
8．4　关于Attention 的其他话题　356    
8．4．1　双向RNN　356    
8．4．2　Attention 层的使用方法　358    
8．4．3　seq2seq 的深层化和skip connection　360    
8．5　Attention 的应用　363    
8．5．1　Google Neural Machine Translation（GNMT）　363    
8．5．2　Transformer　365    
8．5．3　Neural Turing Machine（NTM）　369    
8．6　小结　373    
附录A　sigmoid 函数和tanh 函数的导数　375    
A．1　sigmoid 函数　375    
A．2　tanh 函数　378    
A．3　小结　380    
附录B　运行WordNet　381    
B．1　NLTK的安装　381    
B．2　使用WordNet获得同义词　382    
B．3　WordNet和单词网络　384    
B．4　基于WordNet的语义相似度　385    
附录C　GRU　387    
C．1　GRU的接口　387    
C．2　GRU的计算图　388    
后记　391    
参考文献　395

斋藤康毅（作者） 东京工业大学毕业，并完成东京大学研究生院课程。现从事计算机视觉与机器学习相关的研究和开发工作。是Introducing Python、Python in Practice、The Elements of Computing Systems、Building Machine Learning Systems with Python的日文版译者。 陆宇杰（译者） 众安科技NLP算法工程师。主要研究方向为自然语言处理及其应用，对图像识别、机器学习、深度学习等领域有密切关注。Python爱好者。

陆宇杰（译者）    
长期从事自然语言处理、知识图谱、深度学习相关的研究和开发工作。译有《深度学习入门：基于Python的理论与实现》。