解剖深度学习原理的电子版可以在这个链接https://leanpub.com/dl_0购买

内容简介和前言

内容简介

本书深入浅出地介绍了深度学习的基本原理和实现过程，用python的numpy库从底层而不是借助于现有的深度学习库从零构建了自己的深度学习库。在介绍基本的Python编程、微积分和概率统计知识基础上，按照深度学习的发展脉络依次介绍了回归模型、神经网络、卷积神经网络、循环神经网络、生成网络等深度学习的核心基础知识，在深入浅出地剖析原理的同时给出了详细的代码实现过程。如同不是教你如何使用武器、手机而是教你如何自己制造武器、手机，本书不是已有深度学习库的使用教程而是剖析如何从0开发深度学习库。这种从0开始的原理与代码实现结合的方式可以使读者更好地理解深度学习的基本原理和流行的深度学习库的设计思想。

前言

从计算机发明以来，使机器具有类人类的智能一直是计算机科学家努力的目标，从1956年提出”人工智能”概念以来，人工智能研究经历了多次的高峰到低谷、低谷到高峰的起起落落的发展过程，从基于数理逻辑的规则推理到状态空间搜索推理、从专家系统到统计学习、从群智算法到机器学习、从神经网络到支持向量机，不同的人工智能技术曾经各领风骚。

近6年来，采用深度神经网络的深度学习大放异彩、突飞猛进，AlphaGo战胜人类围棋冠军、自动驾驶、机器翻译、语音识别、深度换脸等深度学习的成功应用不断吸引人们的眼球。作为机器学习的一个分支，深度学习使传统的神经网络技术起死回生，在所有的人工智能技术中“一枝独秀”、“独领风骚”、“舍我其谁”地奠定了其作为现代人工智能的霸主地位。

深度学习没有复杂、深奥的理论，在原理上仍然是传统的神经网络，即用一些简单的神经元函数组合成一个复杂的函数并采用简单的梯度下降法根据实际样本数据学习神经网络中的模型参数。其成功主要归因于计算机硬件特别是并行计算性能越来越强的图形处理器GPU和越来越多的大数据。

未来社会将是一个人工智能的社会，人工智能将无处不在，许多工作将被人工智能代替，已经成为社会的共识，世界主要国家也都纷纷制定了人工智能战略，中小学也开始开设人工智能课程。

借助于一些深度学习平台如tensorflow、pytorch、caffe，一个小学生可以轻松使用深度学习库去做人脸识别、语音识别等各种应用，所做的工作就是直接调用这些平台的API定义深度神经网络的模型结构和调试训练参数。这些平台使得深度学习变得非常容易，使深度学习走进了寻常百姓家，人工智能不再神秘。从高校到企业，各行各业的人们都在用深度学习开展各种研究与应用。

和任何技术一样，只有透彻地理解技术背后的原理，才能更好地应用该技术，网上有大量零散的文章讲解深度学习原理，也有一些深度学习课程。而书本仍然是系统学习的重要途径，书面上的深度学习书籍主要分为几类：一类是针对专家或专业研究人员的偏重数学理论的书籍，这类书籍和学术论文一样，读者难以理解，这些书缺少原理的深度剖析和代码实现，读者即使费劲理解了原理可能仍然不知道如何去实现。另一类是工具类书籍，主要介绍如何使用各种深度学习平台，对原理的讲解非常少，使得读者无法理解代码背后的原理，只能依葫芦画瓢。还有一些书只是一些通俗读物，对每个技术都是浅尝辄止，原理和代码往往蜻蜓点水。也有极少的书在介绍原理的同时也有代码实现，并尽可能避免数学公式的推导。

作者认为，平台教程类的书籍具有时效性，书的出版周期往往1年之久，而平台的接口可能已经发生了一些变化甚至较大的改变，对于变化的平台，这类书籍几乎没有价值了。而原理性的书籍应该通俗易懂，尽量避免复杂、深奥的数学，但完全抛弃数学家几千年来发展出来的经典高等数学，而用小学数学描述函数求导对于具有高等数学知识的读者并不是一个最佳的选择。而市面上特别缺少在介绍原理的同时如何从底层而不是用深度学习库实现深度学习的通俗易懂的书籍。

为了照顾对数学感到困难的读者，本书第一章在介绍必须的python编程知识外，还通俗地介绍一些必须的微积分和概率知识。在此基础上，本书由浅入深地从最简单的回归模型过渡到神经网络模型，采用从问题到概念，以易于理解的由浅入深的方式讲解基本概念和原理。既避免长篇大论又避免“惜字如金”，用简单的示例和简明通俗的语言剖析模型与算法的核心原理。在理解原理基础上，进一步用python的numpy库从底层进行代码实现，从而使读者对原理和实现有豁然开朗的启发。通过本书的阅读，读者可以一步步跟着从0构建一个深度学习库，而并不需要任何深度学习平台。最后，作为对照，介绍了深度学习平台Pytorch的使用，使得读者水到渠成地轻松学会使用这种深度学习平台，有助于读者更深刻地理解这些平台的设计思想，从而更好地掌握和使用这些深度学习平台。

本书既适合没有任何深度学习知识的初学者，也适合具有深度学习库使用经验想了解其底层实现原理的从业人员。本书特别适合作为大专院校的深度学习教材。

内容简介和前言

内容简介

前言

目录：

内容简介和前言

第1章 编程和数学基础

1.1 Python快速入门

1.1.1 python安装

1.1.2 对象、print()函数、类型转换、注释、变量、input()函数

1.1.3 控制语句

1.1.4 Python常⽤容器类型

1.1.5 函数

1.1.6 类和对象

1.1.7 Matplotlib入⻔

1.2 张量库numpy

1.2.1 什么是张量？

1.2.2 创建ndarray对象

1.2.3 ndarry数组的索引和切片

1.2.4 张量的计算

1.3 微积分

1.3.1 函数

1.3.2 四则和复合运算

1.3.3 极限、导数

1.3.4 导数的四则运算和链式求导法则

1.3.5 计算图、正向计算、反向传播求导

1.3.6 多变量函数的偏导数与梯度

1.3.7 向量值函数的导数与 矩阵

1.3.5 积分

1.4 概率基础

1.4.1 概率

1.4.2 条件概率、联合概率、全概率公式、⻉叶斯公式

1.4.3 随机变量

1.4.4 离散型随机变量的概率分布列

1.4.5 连续性随机变量的概率密度

1.4.6 随机变量的分布函数

1.4.7 期望、⽅差、协⽅差、协变矩阵

第2章 梯度下降法

2.1 函数极值的必要条件

2.2 梯度下降法(gradient descent)

2.3 梯度下降法的参数优化策略

2.3.1 Momentum动量法

2.3.2 Adagrad法

2.3.3 Adadelta法

2.3.4 RMSprop法

2.3.5 Adam法

2.4 梯度验证

2.4.1 比较数值梯度和分析梯度

2.4.2 通⽤的数值梯度

2.5 分离梯度下降算法与参数优化策略

2.5.1 参数优化器

2.5.2 接受参数优化器的梯度下降法

第3章 线性回归、逻辑回归和softmax回归

3.1 线性回归

3.1.1 餐⻋利润问题

3.1.2 机器学习与⼈⼯智能

3.1.3 什么是线性回归？

3.1.4 正规⽅程求解线性回归问题

3.1.5 梯度下降法求解线性回归问题

3.1.6 调试学习率

3.1.7 梯度验证

3.1.8 预测

3.1.9 多特征的线性回归

3.2 数据的规范化

3.2.1 预测⼤坝出⽔量

3.2.2 数据的规范化

3.3 模型的评估

3.3.1 ⽋拟合和过拟合

3.3.2 验证集、测试集

3.3.3 学习曲线

3.3.4 偏差和⽅差（Bias-Variance）

3.4 正则化（Regularization）

3.5 逻辑回归

3.5.1 逻辑回归

3.5.2 逻辑回归的numpy实现

3.5.3 实战：鸢尾花分类的numpy实现

3.6 softmax回归

3.6.1 spiral数据集

3.6.2 softmax函数

3.6.3 softmax回归

3.6.4 多分类交叉熵损失

第1章编程和数学基础

1.3.7 向量值函数的导数与矩阵

第2章梯度下降法

第3章线性回归、逻辑回归和softmax回归

第5章改进神经⽹络性能的基本技巧

第6章卷积神经⽹络CNN