[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

                                                                                              店铺公告

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

目前市面上有关深度学习介绍的书籍大多可分两类，一类侧重方法介绍，另一类侧重实践和深度学习工具的介绍。本书同时覆盖方法和实践。本书不仅从数学的角度阐述深度学习的技术与应用，还包含可运行的代码，为读者展示如何在实际中解决问题。为了给读者提供一种交互式的学习体验，本书不但提供免费的教学视频和讨论区，而且提供可运行的Jupyter记事本文件，充分利用Jupyter记事本能将文字、代码、公式和图像统一起来的优势。这样不仅直接将数学公式对应成实际代码，而且可以修改代码、观察结果并及时获取经验，从而带给读者全新的、交互式的深度学习的学习体验。 本书面向希望了解深度学习，特别是对实际使用深度学习感兴趣的大学生、工程师和研究人员。本书不要求读者有任何深度学习或者机器学习的背景知识，读者只需具备基本的数学和编程知识，如基础的线性代数、微分、概率及Python编程知识。本书的附录中提供了书中涉及的主要数学知识，供读者参考。 本书的英文版Dive into Deep Learning是加州大学伯克利分校2019年春学期“Introduction to Deep Learning”（深度学习导论）课程的教材。截至2019年春学期，本书中的内容已被全球15 所知名大学用于教学。本书的学习社区、免费教学资源（课件、教学视频、更多习题等），以及用于本书学习和教学的免费计算资源（学生和老师）的申请方法在本书配套网站zh.d2l.ai上发布。读者在阅读本书的过程中，如果对书中某节内容有疑惑，也可以扫一扫书中对应的二维码寻求帮助。对本书的赞誉

前言

如何使用本书

资源与支持

主要符号表

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MXNet 11

小结12

练习12

2.2 数据操作 12

2.2.1 创建NDArray 12

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

......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下载并运行的 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*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。......阿斯顿·张（Aston Zhang） 亚马逊应用科学家，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。他专注于机器学习的研究，并在数个学术会议发表过论文。他担任过NeurIPS、ICML、KDD、WWW、WSDM、SIGIR、AAAI 等学术会议的程序委员或审稿人以及Frontiers in Big Data 期刊的编委。 李沐（Mu Li） 亚马逊首席科学家（Principal Scientist），加州大学伯克利分校客座助理教授，美国卡内基梅隆大学计算机系博士。他专注于分布式系统和机器学习算法的研究。他是深度学习框架MXNet 的作者之一。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。他在理论、机器学习、应用和操作系统等多个领域的学术会议（包括FOCS、ICML、NeurIPS、AISTATS、CVPR、KDD 、WSDM、OSDI）上发表过论文。 扎卡里·C. 立顿（Zachary C. Lipton） 亚马逊应用科学家，美国卡内基梅隆大学助理教授，美国加州大学圣迭戈分校博士。他专注于机器学习算法及其社会影响的研究，特别是在时序数据与序列决策上的深度学习。这类工作有着广泛的应用场景，包括医疗诊断、对话系统和产品。他创立了博客“Approximately Correct”（approximatelycorrect.com）。 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、美国加州大学伯克利分校和卡内基梅隆大学任教。他发表了超过200 篇学术论文，并著有5 本书，其论文及书被引用超过10 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。

1