万本电子书0元读

万本电子书0元读

顶部广告

用Python实现深度学习框架电子书

1.大咖推荐:复旦大学计算机学院教授邱锡鹏、一流科技创始人兼CEO袁辉(@老师木)、格灵深瞳创始人兼CEO赵勇、奇虎360集团副总裁邓亚峰联合推荐 2.干货满满:从零始用Python实现自己的深度学习框架,搭建从逻辑回归到卷积神经网络的各类模型和网络,涵盖模型的训练、评估、保存与部署等工程问题 3.聚焦实战:360智能工程部高级机器学习算法工程师倾力造 4.提供源代码

售       价:¥

纸质售价:¥81.90购买纸书

30人正在读 | 0人评论 6.2

作       者:张觉非 陈震 著

出  版  社:人民邮电出版社有限公司

出版时间:2020-10-01

字       数:22.8万

所属分类: 科技 > 计算机/网络 > 程序设计

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
本书带领读者用原生Python语言和Numpy线性代数库实现一个基于计算图的深度学习框架MatrixSlow(类似简易版的PyTorch、TensorFlow或Caffe)。全书分为三个部分。*部分是原理篇,实现了MatrixSlow框架的核心基础设施,并基于此讲解了机器学习与深度学习的概念和原理,比如模型、计算图、训练、梯度下降法及其各种变体。第二部分是模型篇,介绍了多种具有代表性的模型,包括逻辑回归、多层全连神经网络、因子分解机、Wide & Deep、DeepFM、循环神经网络以及卷积神经网络,这部分除了着重介绍这些模型的原理、结构以及它们之间的联系外,还用MatrixSlow框架搭建并训练它们以解决实际问题。第三部分是工程篇,讨论了一些与深度学习框架相关的工程问题,内容涉及训练与评估,模型的保存、导和服务部署,分布式训练,等等。<br/>【推荐语】<br/>1.大咖推荐:复旦大学计算机学院教授邱锡鹏、一流科技创始人兼CEO袁辉(@老师木)、格灵深瞳创始人兼CEO赵勇、奇虎360集团副总裁邓亚峰联合推荐 2.干货满满:从零始用Python实现自己的深度学习框架,搭建从逻辑回归到卷积神经网络的各类模型和网络,涵盖模型的训练、评估、保存与部署等工程问题 3.聚焦实战:360智能工程部高级机器学习算法工程师倾力造 4.提供源代码<br/>【作者】<br/>张觉非 本科毕业于复旦大学计算机系,于中国科学院古脊椎动物与古人类研究所取得古生物学硕士学位,目前在互联网行业从事机器学习算法相关工作。 陈震 硕士毕业于北京大学。现任奇虎360智能工程部总监、负责人,带领团队建设集团的机器学习计算调度平台、机器学习建模平台、机器学习推理引擎以及推荐平台等AI基础设施。<br/>
目录展开

前言

内容概览

读者对象

代码资源

致谢

第一部分 原理篇

第 1 章 机器学习与模型

1.1 模型

1.2 参数与训练

1.3 损失函数

1.4 计算图的训练

1.5 小结

第 2 章 计算图

2.1 什么是计算图

2.2 前向传播

2.3 函数优化与梯度下降法

2.4 链式法则与反向传播

2.5 在计算图上执行梯度下降法

2.6 节点类及其子类

2.7 用计算图搭建ADALINE并训练

2.8 小结

第 3 章 优化器

3.1 优化流程的抽象实现

3.2 BGD、SGD和MBGD

3.3 梯度下降优化器

3.4 朴素梯度下降法的局限

3.5 冲量优化器

3.6 AdaGrad优化器

3.7 RMSProp优化器

3.8 Adam优化器

3.9 小结

第二部分 模型篇

第 4 章 逻辑回归

4.1 对数损失函数

4.2 Logistic函数

4.3 二分类逻辑回归

4.4 多分类逻辑回归

4.5 交叉熵

4.6 实例:鸢尾花

4.7 小结

第 5 章 神经网络

5.1 神经元与激活函数

5.2 神经网络

5.3 多层全连接神经网络

5.4 多个全连接层的意义

5.5 实例:鸢尾花

5.6 实例:手写数字识别

5.7 小结

第 6 章 非全连接神经网络

6.1 带二次项的逻辑回归

6.2 因子分解机

6.3 Wide & Deep

6.4 DeepFM

6.5 实例:泰坦尼克号幸存者

6.6 小结

第 7 章 循环神经网络

7.1 RNN的结构

7.2 RNN的输出

7.3 实例:正弦波与方波

7.4 变长序列

7.5 实例:3D电磁发音仪单词识别

7.6 小结

第 8 章 卷积神经网络

8.1 蒙德里安与莫奈

8.2 滤波器

8.3 可训练的滤波器

8.4 卷积层

8.5 池化层

8.6 CNN的结构

8.7 实例:手写数字识别

8.8 小结

第三部分 工程篇

第 9 章 训练与评估

9.1 训练和Trainer训练器

9.2 评估和Metrics节点

9.3 混淆矩阵

9.4 正确率

9.5 查准率

9.6 查全率

9.7 ROC曲线和AUC

9.8 小结

第 10 章 模型保存、预测和服务

10.1 模型保存

10.2 模型加载和预测

10.3 模型服务

10.4 客户端

10.5 小结

第 11 章 分布式训练

11.1 分布式训练的原理

11.2 基于参数服务器的架构

11.3 Ring AllReduce原理

11.4 Ring AllReduce架构实现

11.5 分布式训练性能评测

11.6 小结

第 12 章 工业级深度学习框架

12.1 张量

12.2 计算加速

12.3 GPU

12.4 数据接口

12.5 模型并行

12.6 静态图和动态图

12.7 混合精度训练

12.8 图优化和编译优化

12.9 移动端和嵌入式端

12.10 小结

作者简介

看完了

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部