Подлинное пятно] глубокое обучение вход на основе теории Python и реализации базового учебного пособия Python3 Теория и реализации искусственного интеллекта
Цена: 930руб. (¥44)
Артикул: 583061770691
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:金玉良言图书专营店
Адрес:Цзилинь
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥ 58 37.7797руб.
¥ 58 29613руб.
¥ 78 39825руб.
¥ 36 23.4495руб.
Каталог · · · · · ·
Переводчик заказ XIII
Предисловие XV
Глава 1. Начало работы с Python 1
1.1 Что такое Python 1
1.2 Установка Python 2
1.2.1 Питон версии 2
1.2.2 Используемые внешние библиотеки 2
1.2.3 Анаконда, выпуск 3
1.3 Python Interpreter 4
1.3.1 Арифметические вычисления 4
1.3.2 Тип данных 5
1.3.3 Переменная 5
1.3.4 Список 6
1.3.5 Словарь 7
1.3.6 Логическое значение типа 7
1.3.7 если утверждение 8
1.3.8 к утверждению 8
1.3.9 Функция 9
1.4 Файл сценария Python 9
1.4.1 Сохранить как файл 9
1.4.2 Класс 10
1.5 NumPy 11
1.5.1 Импорт NumPy 11
1.5.2 Генерация массивов NumPy 12
1.5.3 Арифметические операции NumPy 12
1.5.4 NumPy N-мерный массив 13
1.5.5 Трансляция 14
1.5.6 Доступ к элементам 15
1.6 Matplotlib 16
1.6.1 Рисование простой графики 16
1.6.2 Функции pyplot 17
1.6.3 Изображение на дисплее 18
1.7 Резюме 19
Глава 2 Персептрон 21
2.1 Что такое машина восприятия 21
2.2 Простая логическая схема 23
2.2.1 И Ворота 23
2.2.2 Логический элемент И-НЕ и логический элемент ИЛИ 23
2.3 Реализация машины восприятия 25
2.3.1 Простая реализация 25
2.3.2 Импорт весов и смещений 26
2.3.3 Реализация с использованием весов и смещений 26
2.4 Ограничение машины восприятия 28
2.4.1 Логический элемент «исключающее ИЛИ» 28
2.4.2 Линейное и нелинейное 30
2.5 Multi -Layer Presception Machine 31
2.5.1 Комбинация существующих схем управления 31
2.5.2 Реализация логического элемента «исключающее ИЛИ» 33
2.6 От не -Длуя до компьютера 35
2.7 Резюме 36
Глава 3 Нейронные сети 37
3.1 От восприятия машины до нейронной сети 37
3.1.1 Пример нейронной сети 37
3.1.2 Обзор перцептронов 38
3.1.3 Появление функции активации 40
3.2 Функция активации 42
3.2.1 сигмовидная функция 42
3.2.2 Реализация ступенчатой функции 43
3.2.3 График ступенчатой функции 44
3.2.4 Реализация сигмовидной функции 45
3.2.5 Сравнение сигмовидной функции и ступенчатой функции 46
3.2.6 Нелинейные функции 48
3.2.7 Функция ReLU 49
3.3 Многомерная операция массива 50
3.3.1 Многомерные массивы 50
3.3.2 Умножение матриц 51
3.3.3 Внутренний продукт нейронной сети 55
3.4 3 уровня реализации нейронной сети 56
3.4.1 Подтверждение символа 57
3.4.2 Реализация передачи сигнала между уровнями 58
3.4.3 Краткое описание реализации кода 62
3.5 Конструкция выходного уровня 63
3.5.1 Функция идентификации и функция softmax 64
3.5.2 На что следует обратить внимание при реализации функции softmax 66
3.5.3 Характеристики функции softmax 67
3.5.4 Число нейронов в выходном слое 68
3.6 Рукописный цифровой признание 69
3.6.1 Набор данных MNIST 70
3.6.2 Обработка вывода нейронных сетей 73
3.6.3 Пакетная обработка 75
3.7 Резюме 79
Глава 4. Изучение нейронных сетей 81
4.1 Учитесь на данных 81
4.1.1 Управление данными 82
4.1.2 Данные обучения и данные испытаний 84
4.2 Функция потери 85
4.2.1 Среднеквадратическая ошибка 85
4.2.2 Ошибка перекрестной энтропии 87
4.2.3 мини-пакетное обучение 88
4.2.4 Реализация мини-пакетной версии ошибки перекрестной энтропии 91
4.2.5 Зачем нам устанавливать функцию потерь 92
4.3 Числовой слегка разделен 94
4.3.1 Производные 94
4.3.2 Примеры численного дифференцирования 96
4.3.3 Частные производные 98
4.4 Градиент 100
4.4.1 Градиентный метод 102
4.4.2 Градиент нейронной сети 106
4.5 Реализация алгоритма обучения 109
4.5.1 Классы двухслойных нейронных сетей 110
4.5.2 Реализация мини-пакета 114
4.5.3 Оценка на основе данных испытаний 116
4.6 Xiaobian 118
Глава 5. Метод обратного распространения ошибки 121
5.1 Расчет Рисунок 121
5.1.1 Используйте вычислительные графики для решения 122
5.1.2 Локальный расчет 124
5.1.3 Зачем использовать расчетные диаграммы для решения задач 125
5.2 Закон о цепи 126
5.2.1 Обратное распространение вычислительных графов 127
5.2.2 Что такое правило цепочки 127
5.2.3 Цепное правило и расчетные графики 129
5.3 Обратная связь 130
5.3.1 Обратное распространение узлов сложения 130
5.3.2 Обратное распространение узлов умножения 132
5.3.3 Пример Apple 133
5.4 Реализация простых слоев 135
5.4.1 Реализация уровня умножения 135
5.4.2 Реализация аддитивного слоя 137
5.5 Активация реализации функционального уровня 139
5.5.1 Уровень ReLU 139
5.5.2 Сигмовидный слой 141
5.6 Реализация слоя AffineSoftmax 144
5.6.1 Аффинный слой 144
5.6.2 Пакетная версия аффинного слоя 148
5.6.3 Слой Softmax с потерями 150
5.7 Реализация метода обратной связи ошибки 154
5.7.1 Общая картина обучения нейронных сетей 154
5.7.2 Реализация нейронной сети, соответствующей методу обратного распространения ошибки 155
5.7.3 Градиентное подтверждение метода обратного распространения ошибки 158
5.7.4 Обучение с использованием обратного распространения ошибки 159
5.8 Резюме 161
Глава 6. Навыки, связанные с учебой 163
6.1 Обновление параметров 163
6.1.1 История исследователя 164
6.1.2 SGD 164
6.1.3 Недостатки 166 сингапурских долларов
6.1.4 Momentum 168
6.1.5 AdaGrad 170
6.1.6 Adam 172
6.1.7 Какой метод обновления использовать 174
6.1.8 Сравнение методов обновления на основе набора данных MNIST 175
6.2 Начальное значение веса 176
6.2.1 Можно ли установить начальное значение веса равным 0? 176
6.2.2 Распределение значений активации скрытого слоя 177
6.2.3 Начальное значение веса ReLU 181
6.2.4 Сравнение начальных значений веса на основе набора данных MNIST 183
6.3 Batch Normalization 184
6.3.1 Алгоритм пакетной нормализации 184
6.3.2 Оценка нормализации партии 186
6.4 регуляризация 188
6.4.1 Переобучение 189
6.4.2 Снижение веса 191
6.4.3 Dropout 192
6.5 Проверка супер параметра 195
6.5.1 Данные проверки 195
6.5.2 Оптимизация гиперпараметров 196
6.5.3 Реализация оптимизации гиперпараметров 198
6.6 Сводка 200
Глава 7. Сверточные нейронные сети 201
7.1 Общая структура 201
7.2 Стиночный слой 202
7.2.1 Проблемы с полносвязным слоем 203
7.2.2 Операция свертки 203
7.2.3 Заполнение 206
7.2.4 Страйд 207
7.2.5 Операция свертки трехмерных данных 209
7.2.6 Мышление блоками 211
7.2.7 Пакетная обработка 213
7.3 Пендализационный слой 214
7.4 Реализация сверточного слоя и слоя объединения 216
7.4.1 4-мерный массив 216
7.4.2 Расширение на основе im2col 217
7.4.3 Реализация сверточного слоя 219
7.4.4 Реализация уровня пула 222
7.5 Реализация CNN 224
7.6 CNN Визуализация 228
7.6.1 Визуализация весов слоя 1 228
7.6.2 Извлечение информации на основе иерархической структуры 230
7.7 Представитель CNN 231
7.7.1 LeNet 231
7.7.2 AlexNet 232
7.8 Резюме 233
Глава 8. Глубокое обучение 235
8.1 Deepe The Network 235
8.1.1 На пути к более глубокой сети 235
8.1.2 Дальнейшее повышение точности распознавания 238
8.1.3 Мотивация к углублению 240
8.2 Маленькая история глубокого обучения 242
8.2.1 ImageNet 243
8.2.2 VGG 244
8.2.3 GoogLeNet 245
8.2.4 ResNet 246
8.3 высокая скорость обучения 248
8.3.1 Проблемы, которые необходимо решить 248
8.3.2 Ускорение на основе графического процессора 249
8.3.3 Распределенное обучение 250
8.3.4 Разрядное уменьшение точности работы 252
8.4 Случай применения глубокого обучения 253
8.4.1 Обнаружение объектов 253
8.4.2 Сегментация изображения 255
8.4.3 Генерация подписи к изображению 256
8.5 Будущее глубокого обучения 258
8.5.1 Преобразование стиля изображения 258
8.5.2 Генерация изображения 259
8.5.3 Автономное вождение 261
8.5.4 Глубокая Q-сеть (обучение с подкреплением) 262
8.6 Резюме 264
Приложение A вычисляющая диаграмма Softmax-With-Loss Layer 267
A.1 Позитивная связь 268
A.2 Обратная связь 270
А.3 Резюме 277
Ссылки 279
Предисловие XV
Глава 1. Начало работы с Python 1
1.1 Что такое Python 1
1.2 Установка Python 2
1.2.1 Питон версии 2
1.2.2 Используемые внешние библиотеки 2
1.2.3 Анаконда, выпуск 3
1.3 Python Interpreter 4
1.3.1 Арифметические вычисления 4
1.3.2 Тип данных 5
1.3.3 Переменная 5
1.3.4 Список 6
1.3.5 Словарь 7
1.3.6 Логическое значение типа 7
1.3.7 если утверждение 8
1.3.8 к утверждению 8
1.3.9 Функция 9
1.4 Файл сценария Python 9
1.4.1 Сохранить как файл 9
1.4.2 Класс 10
1.5 NumPy 11
1.5.1 Импорт NumPy 11
1.5.2 Генерация массивов NumPy 12
1.5.3 Арифметические операции NumPy 12
1.5.4 NumPy N-мерный массив 13
1.5.5 Трансляция 14
1.5.6 Доступ к элементам 15
1.6 Matplotlib 16
1.6.1 Рисование простой графики 16
1.6.2 Функции pyplot 17
1.6.3 Изображение на дисплее 18
1.7 Резюме 19
Глава 2 Персептрон 21
2.1 Что такое машина восприятия 21
2.2 Простая логическая схема 23
2.2.1 И Ворота 23
2.2.2 Логический элемент И-НЕ и логический элемент ИЛИ 23
2.3 Реализация машины восприятия 25
2.3.1 Простая реализация 25
2.3.2 Импорт весов и смещений 26
2.3.3 Реализация с использованием весов и смещений 26
2.4 Ограничение машины восприятия 28
2.4.1 Логический элемент «исключающее ИЛИ» 28
2.4.2 Линейное и нелинейное 30
2.5 Multi -Layer Presception Machine 31
2.5.1 Комбинация существующих схем управления 31
2.5.2 Реализация логического элемента «исключающее ИЛИ» 33
2.6 От не -Длуя до компьютера 35
2.7 Резюме 36
Глава 3 Нейронные сети 37
3.1 От восприятия машины до нейронной сети 37
3.1.1 Пример нейронной сети 37
3.1.2 Обзор перцептронов 38
3.1.3 Появление функции активации 40
3.2 Функция активации 42
3.2.1 сигмовидная функция 42
3.2.2 Реализация ступенчатой функции 43
3.2.3 График ступенчатой функции 44
3.2.4 Реализация сигмовидной функции 45
3.2.5 Сравнение сигмовидной функции и ступенчатой функции 46
3.2.6 Нелинейные функции 48
3.2.7 Функция ReLU 49
3.3 Многомерная операция массива 50
3.3.1 Многомерные массивы 50
3.3.2 Умножение матриц 51
3.3.3 Внутренний продукт нейронной сети 55
3.4 3 уровня реализации нейронной сети 56
3.4.1 Подтверждение символа 57
3.4.2 Реализация передачи сигнала между уровнями 58
3.4.3 Краткое описание реализации кода 62
3.5 Конструкция выходного уровня 63
3.5.1 Функция идентификации и функция softmax 64
3.5.2 На что следует обратить внимание при реализации функции softmax 66
3.5.3 Характеристики функции softmax 67
3.5.4 Число нейронов в выходном слое 68
3.6 Рукописный цифровой признание 69
3.6.1 Набор данных MNIST 70
3.6.2 Обработка вывода нейронных сетей 73
3.6.3 Пакетная обработка 75
3.7 Резюме 79
Глава 4. Изучение нейронных сетей 81
4.1 Учитесь на данных 81
4.1.1 Управление данными 82
4.1.2 Данные обучения и данные испытаний 84
4.2 Функция потери 85
4.2.1 Среднеквадратическая ошибка 85
4.2.2 Ошибка перекрестной энтропии 87
4.2.3 мини-пакетное обучение 88
4.2.4 Реализация мини-пакетной версии ошибки перекрестной энтропии 91
4.2.5 Зачем нам устанавливать функцию потерь 92
4.3 Числовой слегка разделен 94
4.3.1 Производные 94
4.3.2 Примеры численного дифференцирования 96
4.3.3 Частные производные 98
4.4 Градиент 100
4.4.1 Градиентный метод 102
4.4.2 Градиент нейронной сети 106
4.5 Реализация алгоритма обучения 109
4.5.1 Классы двухслойных нейронных сетей 110
4.5.2 Реализация мини-пакета 114
4.5.3 Оценка на основе данных испытаний 116
4.6 Xiaobian 118
Глава 5. Метод обратного распространения ошибки 121
5.1 Расчет Рисунок 121
5.1.1 Используйте вычислительные графики для решения 122
5.1.2 Локальный расчет 124
5.1.3 Зачем использовать расчетные диаграммы для решения задач 125
5.2 Закон о цепи 126
5.2.1 Обратное распространение вычислительных графов 127
5.2.2 Что такое правило цепочки 127
5.2.3 Цепное правило и расчетные графики 129
5.3 Обратная связь 130
5.3.1 Обратное распространение узлов сложения 130
5.3.2 Обратное распространение узлов умножения 132
5.3.3 Пример Apple 133
5.4 Реализация простых слоев 135
5.4.1 Реализация уровня умножения 135
5.4.2 Реализация аддитивного слоя 137
5.5 Активация реализации функционального уровня 139
5.5.1 Уровень ReLU 139
5.5.2 Сигмовидный слой 141
5.6 Реализация слоя AffineSoftmax 144
5.6.1 Аффинный слой 144
5.6.2 Пакетная версия аффинного слоя 148
5.6.3 Слой Softmax с потерями 150
5.7 Реализация метода обратной связи ошибки 154
5.7.1 Общая картина обучения нейронных сетей 154
5.7.2 Реализация нейронной сети, соответствующей методу обратного распространения ошибки 155
5.7.3 Градиентное подтверждение метода обратного распространения ошибки 158
5.7.4 Обучение с использованием обратного распространения ошибки 159
5.8 Резюме 161
Глава 6. Навыки, связанные с учебой 163
6.1 Обновление параметров 163
6.1.1 История исследователя 164
6.1.2 SGD 164
6.1.3 Недостатки 166 сингапурских долларов
6.1.4 Momentum 168
6.1.5 AdaGrad 170
6.1.6 Adam 172
6.1.7 Какой метод обновления использовать 174
6.1.8 Сравнение методов обновления на основе набора данных MNIST 175
6.2 Начальное значение веса 176
6.2.1 Можно ли установить начальное значение веса равным 0? 176
6.2.2 Распределение значений активации скрытого слоя 177
6.2.3 Начальное значение веса ReLU 181
6.2.4 Сравнение начальных значений веса на основе набора данных MNIST 183
6.3 Batch Normalization 184
6.3.1 Алгоритм пакетной нормализации 184
6.3.2 Оценка нормализации партии 186
6.4 регуляризация 188
6.4.1 Переобучение 189
6.4.2 Снижение веса 191
6.4.3 Dropout 192
6.5 Проверка супер параметра 195
6.5.1 Данные проверки 195
6.5.2 Оптимизация гиперпараметров 196
6.5.3 Реализация оптимизации гиперпараметров 198
6.6 Сводка 200
Глава 7. Сверточные нейронные сети 201
7.1 Общая структура 201
7.2 Стиночный слой 202
7.2.1 Проблемы с полносвязным слоем 203
7.2.2 Операция свертки 203
7.2.3 Заполнение 206
7.2.4 Страйд 207
7.2.5 Операция свертки трехмерных данных 209
7.2.6 Мышление блоками 211
7.2.7 Пакетная обработка 213
7.3 Пендализационный слой 214
7.4 Реализация сверточного слоя и слоя объединения 216
7.4.1 4-мерный массив 216
7.4.2 Расширение на основе im2col 217
7.4.3 Реализация сверточного слоя 219
7.4.4 Реализация уровня пула 222
7.5 Реализация CNN 224
7.6 CNN Визуализация 228
7.6.1 Визуализация весов слоя 1 228
7.6.2 Извлечение информации на основе иерархической структуры 230
7.7 Представитель CNN 231
7.7.1 LeNet 231
7.7.2 AlexNet 232
7.8 Резюме 233
Глава 8. Глубокое обучение 235
8.1 Deepe The Network 235
8.1.1 На пути к более глубокой сети 235
8.1.2 Дальнейшее повышение точности распознавания 238
8.1.3 Мотивация к углублению 240
8.2 Маленькая история глубокого обучения 242
8.2.1 ImageNet 243
8.2.2 VGG 244
8.2.3 GoogLeNet 245
8.2.4 ResNet 246
8.3 высокая скорость обучения 248
8.3.1 Проблемы, которые необходимо решить 248
8.3.2 Ускорение на основе графического процессора 249
8.3.3 Распределенное обучение 250
8.3.4 Разрядное уменьшение точности работы 252
8.4 Случай применения глубокого обучения 253
8.4.1 Обнаружение объектов 253
8.4.2 Сегментация изображения 255
8.4.3 Генерация подписи к изображению 256
8.5 Будущее глубокого обучения 258
8.5.1 Преобразование стиля изображения 258
8.5.2 Генерация изображения 259
8.5.3 Автономное вождение 261
8.5.4 Глубокая Q-сеть (обучение с подкреплением) 262
8.6 Резюме 264
Приложение A вычисляющая диаграмма Softmax-With-Loss Layer 267
A.1 Позитивная связь 268
A.2 Обратная связь 270
А.3 Резюме 277
Ссылки 279