用Python實現(xiàn)深度學(xué)習(xí)框架

定　價：￥89.00

作　者：	張覺非，陳震著
出版社：	人民郵電出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787115548375	出版時間：	2020-10-01	包裝：	平裝
開本：	16開	頁數(shù)：	271	字?jǐn)?shù)：

內(nèi)容簡介

　　本書帶領(lǐng)讀者用原生Python語言和Numpy線性代數(shù)庫實現(xiàn)一個基于計算圖的深度學(xué)習(xí)框架MatrixSlow（類似簡易版的PyTorch、TensorFlow或Caffe）。全書分為三個部分。第一部分是原理篇，實現(xiàn)了MatrixSlow框架的核心基礎(chǔ)設(shè)施，并基于此講解了機器學(xué)習(xí)與深度學(xué)習(xí)的概念和原理，比如模型、計算圖、訓(xùn)練、梯度下降法及其各種變體。第二部分是模型篇，介紹了多種具有代表性的模型，包括邏輯回歸、多層全連接神經(jīng)網(wǎng)絡(luò)、因子分解機、Wide & Deep、DeepFM、循環(huán)神經(jīng)網(wǎng)絡(luò)以及卷積神經(jīng)網(wǎng)絡(luò)，這部分除了著重介紹這些模型的原理、結(jié)構(gòu)以及它們之間的聯(lián)系外，還用MatrixSlow框架搭建并訓(xùn)練它們以解決實際問題。第三部分是工程篇，討論了一些與深度學(xué)習(xí)框架相關(guān)的工程問題，內(nèi)容涉及訓(xùn)練與評估，模型的保存、導(dǎo)入和服務(wù)部署，分布式訓(xùn)練，等等。

作者簡介

　　張覺非本科畢業(yè)于復(fù)旦大學(xué)計算機系，于中國科學(xué)院古脊椎動物與古人類研究所取得古生物學(xué)碩士學(xué)位，目前在互聯(lián)網(wǎng)行業(yè)從事機器學(xué)習(xí)算法相關(guān)工作。陳震碩士畢業(yè)于北京大學(xué)?，F(xiàn)任奇虎360智能工程部總監(jiān)、負責(zé)人，帶領(lǐng)團隊建設(shè)集團的機器學(xué)習(xí)計算調(diào)度平臺、機器學(xué)習(xí)建模平臺、機器學(xué)習(xí)推理引擎以及推薦平臺等AI基礎(chǔ)設(shè)施。

圖書目錄

第一部分　原理篇
第　1章機器學(xué)習(xí)與模型　2
1．1　模型　2
1．2　參數(shù)與訓(xùn)練　4
1．3　損失函數(shù)　9
1．4　計算圖的訓(xùn)練　10
1．5　小結(jié)　12
第　2章計算圖　13
2．1　什么是計算圖　13
2．2　前向傳播　14
2．3　函數(shù)優(yōu)化與梯度下降法　18
2．4　鏈?zhǔn)椒▌t與反向傳播　29
2．5　在計算圖上執(zhí)行梯度下降法　36
2．6　節(jié)點類及其子類　36
2．7　用計算圖搭建ADALINE并訓(xùn)練　44
2．8　小結(jié)　48
第3章　優(yōu)化器　49
3．1　優(yōu)化流程的抽象實現(xiàn)　49
3．2　BGD、SGD和MBGD　53
3．3　梯度下降優(yōu)化器　58
3．4　樸素梯度下降法的局限　60
3．5　沖量優(yōu)化器　61
3．6　AdaGrad優(yōu)化器　62
3．7　RMSProp優(yōu)化器　64
3．8　Adam優(yōu)化器　65
3．9　小結(jié)　68
第二部分　模型篇
第4章　邏輯回歸　70
4．1　對數(shù)損失函數(shù)　70
4．2　Logistic函數(shù)　73
4．3　二分類邏輯回歸　75
4．4　多分類邏輯回歸　78
4．5　交叉熵　81
4．6　實例：鳶尾花　85
4．7　小結(jié)　88
第5章　神經(jīng)網(wǎng)絡(luò)　90
5．1　神經(jīng)元與激活函數(shù)　90
5．2　神經(jīng)網(wǎng)絡(luò)　95
5．3　多層全連接神經(jīng)網(wǎng)絡(luò)　99
5．4　多個全連接層的意義　101
5．5　實例：鳶尾花　108
5．6　實例：手寫數(shù)字識別　110
5．7　小結(jié)　116
第6章　非全連接神經(jīng)網(wǎng)絡(luò)　117
6．1　帶二次項的邏輯回歸　117
6．2　因子分解機　124
6．3　Wide & Deep　132
6．4　DeepFM　137
6．5　實例：泰坦尼克號幸存者　141
6．6　小結(jié)　150
第7章　循環(huán)神經(jīng)網(wǎng)絡(luò)　151
7．1　RNN的結(jié)構(gòu)　151
7．2　RNN的輸出　152
7．3　實例：正弦波與方波　155
7．4　變長序列　159
7．5　實例：3D電磁發(fā)音儀單詞識別　164
7．6　小結(jié)　167
第8章　卷積神經(jīng)網(wǎng)絡(luò)　168
8．1　蒙德里安與莫奈　168
8．2　濾波器　170
8．3　可訓(xùn)練的濾波器　176
8．4　卷積層　183
8．5　池化層　186
8．6　CNN的結(jié)構(gòu)　189
8．7　實例：手寫數(shù)字識別　190
8．8　小結(jié)　194
第三部分　工程篇
第9章　訓(xùn)練與評估　196
9．1　訓(xùn)練和Trainer訓(xùn)練器　196
9．2　評估和Metrics節(jié)點　202
9．3　混淆矩陣　204
9．4　正確率　204
9．5　查準(zhǔn)率　206
9．6　查全率　206
9．7　ROC曲線和AUC　208
9．8　小結(jié)　211
第　10章模型保存、預(yù)測和服務(wù)　212
10．1　模型保存　213
10．2　模型加載和預(yù)測　216
10．3　模型服務(wù)　216
10．4　客戶端　222
10．5　小結(jié)　223
第　11章分布式訓(xùn)練　224
11．1　分布式訓(xùn)練的原理　224
11．2　基于參數(shù)服務(wù)器的架構(gòu)　230
11．3　Ring AllReduce原理　241
11．4　Ring AllReduce架構(gòu)實現(xiàn)　248
11．5　分布式訓(xùn)練性能評測　257
11．6　小結(jié)　259
第　12章工業(yè)級深度學(xué)習(xí)框架　261
12．1　張量　262
12．2　計算加速　263
12．3　GPU　265
12．4　數(shù)據(jù)接口　266
12．5　模型并行　266
12．6　靜態(tài)圖和動態(tài)圖　267
12．7　混合精度訓(xùn)練　268
12．8　圖優(yōu)化和編譯優(yōu)化　270
12．9　移動端和嵌入式端　270
12．10　小結(jié)　271