《深入淺出神經網路與深度學習》是2020年人民郵電出版社出版的圖書，作者是[澳] 麥可·尼爾森（Michael Nielsen）。
基本介紹
- 中文名：深入淺出神經網路與深度學習
- 作者：[澳] 麥可·尼爾森（Michael Nielsen）
- 出版社：人民郵電出版社
- ISBN：9787115542090
內容簡介,圖書目錄,
內容簡介
本書深入講解神經網路和深度學習技術，側重於闡釋深度學習的核心概念。作者以技術原理為導向，輔以貫穿全書的MNIST手寫數字識別項目示例，介紹神經網路架構、反向傳播算法、過擬合解決方案、卷積神經網路等內容，以及如何利用這些知識改進深度學習項目。學完本書後，讀者將能夠通過編寫Python代碼來解決複雜的模式識別問題。
圖書目錄
前言
第 1章 使用神經網路識別手寫數字 1
1.1 感知機 2
1.2 sigmoid神經元 7
1.3 神經網路的架構 11
1.4 一個簡單的神經網路：分類手寫數字 13
1.5 利用梯度下降算法進行學習 17
1.6 實現分類數字的神經網路 25
1.7 邁向深度學習 37
第 2章 反向傳播算法工作原理 41
2.1 熱身：使用矩陣快速計算輸出 41
2.2 關於代價函式的兩個假設 43
2.3 阿達馬積s⊙t 45
2.4 反向傳播的4個基本方程 45
2.5 基本方程的證明（選學） 50
2.6 反向傳播算法 51
2.7 反向傳播代碼 53
2.8 就何而言，反向傳播算快 55
2.9 反向傳播：全局觀 56
第3章 改進神經網路的學習方法 60
3.1 交叉熵代價函式 60
3.1.1 引入交叉熵代價函式 64
3.1.2 使用交叉熵來對MNIST數字進行分類 71
3.1.3 交叉熵的含義與起源 72
3.1.4 softmax 74
3.2 過擬合和正則化 78
3.2.1 正則化 84
3.2.2 為何正則化有助於減輕過擬合 89
3.2.3 其他正則化技術 93
3.3 權重初始化 102
3.4 復探手寫識別問題：代碼 106
3.5 如何選擇神經網路的超參數 116
3.6 其他技術 126
3.6.1 隨機梯度下降算法的變化形式 126
3.6.2 其他人工神經元模型 129
3.6.3 有關神經網路的故事 132
第4章 神經網路可以計算任何函式的可視化證明 134
4.1 兩個預先聲明 136
4.2 一個輸入和一個輸出的普遍性 137
4.3 多個輸入變數 146
4.4 不止sigmoid神經元 154
4.5 修補階躍函式 156
4.6 小結 159
第5章 為何深度神經網路很難訓練 160
5.1 梯度消失問題 163
5.2 梯度消失的原因 168
5.2.1 為何出現梯度消失 170
5.2.2 梯度爆炸問題 171
5.2.3 梯度不穩定問題 172
5.2.4 梯度消失問題普遍存在 172
5.3 複雜神經網路中的梯度不穩定 173
5.4 深度學習的其他障礙 174
第6章 深度學習 175
6.1 卷積神經網路入門 176
6.1.1 局部感受野 178
6.1.2 共享權重和偏置 180
6.1.3 池化層 182
6.2 卷積神經網路的實際套用 184
6.2.1 使用修正線性單元 188
6.2.2 擴展訓練數據 189
6.2.3 插入額外的全連線層 191
6.2.4 集成神經網路 192
6.3 卷積神經網路的代碼 195
6.4 圖像識別領域近期的進展 208
6.4.1 2012年的LRMD論文 208
6.4.2 2012年的KSH論文 209
6.4.3 2014年的ILSVRC競賽 211
6.4.4 其他活動 212
6.5 其他深度學習模型 214
6.5.1 循環神經網路 214
6.5.2 長短期記憶單元 216
6.5.3 深度信念網路、生成模型和玻爾茲曼機 216
6.5.4 其他想法 217
6.6 神經網路的未來 217
6.6.1 意圖驅動的用戶界面 217
6.6.2 機器學習、數據科學和創新的循環 218
6.6.3 神經網路和深度學習的作用 218
6.6.4 神經網路和深度學習將主導人工智慧 219
附錄 是否存在關於智慧型的簡單算法 222
著作權聲明
