内容简介
本书是深度学习真正意义上的入门书,深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3,尽量不依赖外部库或工具,从基本的数学知识出发,带领读者从零创建一个经典的深度学习网络,使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识,对误差反向传播法、卷积神经网络等也有深入讲解,此外还介绍了深度学习相关的实用技巧,自动驾驶、图像生成、强化学习等方面的应用,以及为什么加深层可以提高识别精度等疑难的问题。
本书适合深度学习初学者阅读,也可作为高校教材使用。
目录
目录
译者序 xiii
前言 xv
第 1 章 Python入门 1
1.1 Python是什么 1
1.2 Python的安装 2
1.2.1 Python版本 2
1.2.2 使用的外部库 2
1.2.3 Anaconda发行版 3
1.3 Python解释器 4
1.3.1 算术计算 4
1.3.2 数据类型 5
1.3.3 变量 5
1.3.4 列表 6
1.3.5 字典 7
1.3.6 布尔型 7
1.3.7 if 语句 8
1.3.8 for 语句 8
1.3.9 函数 9
1.4 Python脚本文件 9
1.4.1 保存为文件 9
1.4.2 类 10
1.5 NumPy 11
1.5.1 导入NumPy 11
1.5.2 生成NumPy数组 12
1.5.3 NumPy 的算术运算 12
1.5.4 NumPy的N维数组 13
1.5.5 广播 14
1.5.6 访问元素 15
1.6 Matplotlib 16
1.6.1 绘制简单图形 16
1.6.2 pyplot 的功能 17
1.6.3 显示图像 18
1.7 小结 19
第 2 章 感知机 21
2.1 感知机是什么 21
2.2 简单逻辑电路 23
2.2.1 与门 23
2.2.2 与非门和或门 23
2.3 感知机的实现 25
2.3.1 简单的实现 25
2.3.2 导入权重和偏置 26
2.3.3 使用权重和偏置的实现 26
2.4 感知机的局限性 28
2.4.1 异或门 28
2.4.2 线性和非线性 30
2.5 多层感知机 31
2.5.1 已有门电路的组合 31
2.5.2 异或门的实现 33
2.6 从与非门到计算机 35
2.7 小结 36
第3 章 神经网络 37
3.1 从感知机到神经网络 37
3.1.1 神经网络的例子 37
3.1.2 复习感知机 38
3.1.3 激活函数登场 40
3.2 激活函数 42
3.2.1 sigmoid 函数 42
3.2.2 阶跃函数的实现 43
3.2.3 阶跃函数的图形 44
3.2.4 sigmoid 函数的实现 45
3.2.5 sigmoid 函数和阶跃函数的比较 46
3.2.6 非线性函数 48
3.2.7 ReLU函数 49
3.3 多维数组的运算 50
3.3.1 多维数组 50
3.3.2 矩阵乘法 51
3.3.3 神经网络的内积 55
3.4 3 层神经网络的实现 56
3.4.1 符号确认 57
3.4.2 各层间信号传递的实现 58
3.4.3 代码实现小结 62
3.5 输出层的设计 63
3.5.1 恒等函数和softmax 函数 64
3.5.2 实现softmax 函数时的注意事项 66
3.5.3 softmax 函数的特征 67
3.5.4 输出层的神经元数量 68
3.6 手写数字识别 69
3.6.1 MNIST数据集 70
3.6.2 神经网络的推理处理 73
3.6.3 批处理 75
3.7 小结 79
第4 章 神经网络的学习 81
4.1 从数据中学习 81
4.1.1 数据驱动 82
4.1.2 训练数据和测试数据 84
4.2 损失函数 85
4.2.1 均方误差 85
4.2.2 交叉熵误差 87
4.2.3 mini-batch 学习 88
4.2.4 mini-batch 版交叉熵误差的实现 91
4.2.5 为何要设定损失函数 92
4.3 数值微分 94
4.3.1 导数 94
4.3.2 数值微分的例子 96
4.3.3 偏导数 98
4.4 梯度 100
4.4.1 梯度法 102
4.4.2 神经网络的梯度 106
4.5 学习算法的实现 109
4.5.1 2 层神经网络的类 110
4.5.2 mini-batch 的实现 114
4.5.3 基于测试数据的评价 116
4.6 小结 118
第5 章 误差反向传播法 121
5.1 计算图 121
5.1.1 用计算图求解 122
5.1.2 局部计算 124
5.1.3 为何用计算图解题 125
5.2 链式法则 126
5.2.1 计算图的反向传播 127
5.2.2 什么是链式法则 127
5.2.3 链式法则和计算图 129
5.3 反向传播 130
5.3.1 加法节点的反向传播 130
5.3.2 乘法节点的反向传播 132
5.3.3 苹果的例子 133
5.4 简单层的实现 135
5.4.1 乘法层的实现 135
5.4.2 加法层的实现 137
5.5 激活函数层的实现 139
5.5.1 ReLU层 139
5.5.2 Sigmoid 层 141
5.6 Affine/Softmax层的实现 144
5.6.1 Affine层 144
5.6.2 批版本的Affine层 148
5.6.3 Softmax-with




















