用Python實(shí)現(xiàn)深度學(xué)習(xí)框架
定 價(jià)：89 元
- 作者：張覺非 陳震
- 出版時(shí)間：2020/10/1
- ISBN：9787115548375
- 出 版 社：人民郵電出版社
- 中圖法分類：TP311.561
- 頁(yè)碼：271
- 紙張：
- 版次：01
- 開本：16開
本書帶領(lǐng)讀者用原生Python語(yǔ)言和Numpy線性代數(shù)庫(kù)實(shí)現(xiàn)一個(gè)基于計(jì)算圖的深度學(xué)習(xí)框架MatrixSlow（類似簡(jiǎn)易版的PyTorch、TensorFlow或Caffe）。全書分為三個(gè)部分。第一部分是原理篇，實(shí)現(xiàn)了MatrixSlow框架的核心基礎(chǔ)設(shè)施，并基于此講解了機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的概念和原理，比如模型、計(jì)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(jī)、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(shí)際問(wèn)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(wèn)題，內(nèi)容涉及訓(xùn)練與評(píng)估，模型的保存、導(dǎo)入和服務(wù)部署，分布式訓(xùn)練，等等。
1.大咖推薦：復(fù)旦大學(xué)計(jì)算機(jī)學(xué)院教授邱錫鵬、一流科技創(chuàng)始人兼CEO袁進(jìn)輝（@老師木）、格靈深瞳創(chuàng)始人兼CEO趙勇、奇虎360集團(tuán)副總裁鄧亞峰聯(lián)合推薦
2.干貨滿滿：從零開始用Python實(shí)現(xiàn)自己的深度學(xué)習(xí)框架，搭建從邏輯回歸到卷積神經(jīng)網(wǎng)絡(luò)的各類模型和網(wǎng)絡(luò)，涵蓋模型的訓(xùn)練、評(píng)估、保存與部署等工程問(wèn)題
3.聚焦實(shí)戰(zhàn)：360智能工程部高級(jí)機(jī)器學(xué)習(xí)算法工程師傾力打造
4.提供源代碼
這是一本引人入勝的書，它通過(guò)由淺入深的講解讓你了解深度學(xué)習(xí)的原理、模型和實(shí)現(xiàn)方法，內(nèi)容清晰易懂，表達(dá)生動(dòng)形象。當(dāng)從零開始一步一步實(shí)現(xiàn)一個(gè)深度學(xué)習(xí)框架MatrixSlow后，你會(huì)更加深入地理解深度學(xué)習(xí)的奧秘，進(jìn)而快速提升自己的能力。
--邱錫鵬，復(fù)旦大學(xué)計(jì)算機(jī)學(xué)院教授
張覺非
本科畢業(yè)于復(fù)旦大學(xué)計(jì)算機(jī)系，于中國(guó)科學(xué)院古脊椎動(dòng)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(jī)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(fù)責(zé)人，帶領(lǐng)團(tuán)隊(duì)建設(shè)集團(tuán)的機(jī)器學(xué)習(xí)計(jì)算調(diào)度平臺(tái)、機(jī)器學(xué)習(xí)建模平臺(tái)、機(jī)器學(xué)習(xí)推理引擎以及推薦平臺(tái)等AI基礎(chǔ)設(shè)施。
第 一部分 原理篇
第 1章 機(jī)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(jì)算圖的訓(xùn)練 10
1.5 小結(jié) 12
第 2章 計(jì)算圖 13
2.1 什么是計(jì)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(jì)算圖上執(zhí)行梯度下降法 36
2.6 節(jié)點(diǎn)類及其子類 36
2.7 用計(jì)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(shí)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?jī)?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(duì)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(shí)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(gè)全連接層的意義 101
5.5 實(shí)例：鳶尾花 108
5.6 實(shí)例：手寫數(shù)字識(shí)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(xiàng)的邏輯回歸 117
6.2 因子分解機(jī) 124
6.3 Wide & Deep 132
6.4 DeepFM 137
6.5 實(shí)例：泰坦尼克號(hào)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(shí)例：正弦波與方波 155
7.4 變長(zhǎng)序列 159
7.5 實(shí)例：3D電磁發(fā)音儀單詞識(shí)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(shí)例：手寫數(shù)字識(shí)別 190
8.8 小結(jié) 194
第三部分 工程篇
第9章 訓(xùn)練與評(píng)估 196
9.1 訓(xùn)練和Trainer訓(xùn)練器 196
9.2 評(píng)估和Metrics節(jié)點(diǎn) 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(cè)和服務(wù) 212
10.1 模型保存 213
10.2 模型加載和預(yù)測(cè) 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(shí)現(xiàn) 248
11.5 分布式訓(xùn)練性能評(píng)測(cè) 257
11.6 小結(jié) 259
第 12章 工業(yè)級(jí)深度學(xué)習(xí)框架 261
12.1 張量 262
12.2 計(jì)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(dòng)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(dòng)端和嵌入式端 270
12.10 小結(jié) 271
書單推薦
