内容简介
本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以并运行的 Jupyter记事本，它将文字、公式、图像、代码和运行结果结合在了一起。此外，读者还可以访问并参与书中内容的讨论。
全书的内容分为3个部分：*部分介绍深度学习的背景，提供预备知识，并包括深度学习*基础的概念和技术；第二部分描述深度学习计算的重要组成部分，还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络；第三部分评价优化算法，检验影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。
本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。
?
目录
?
目录
对本书的赞誉
前言
如何使用本书
资源与支持
主要符号表
第 1 章 深度学习简介? 1
1.1 起源 2
1.2 发展 4
1.3 成功案例 6
1.4 特点 7
小结 8
练习 8
第 2 章 预备知识? 9
2.1 获取和运行本书的代码 9
2.1.1 获取代码并安装运行环境??
9
2.1.2 更新代码和运行环境??
11
2.1.3 使用GPU版的MXNet?? 11
小结12
练习12
2.2 数据操作? 12
2.2.1 创建NDArray 12
2.2.2 运算 14
2.2.3 广播机制 16
2.2.4 索引 17
2.2.5 运算的内存开销 17
2.2.6 NDArray和NumPy相互变换18
小结19
练习19
2.3 自动求梯度? 19
2.3.1 简单例子? 19
2.3.2 训练模式和预测模式?
20
2.3.3 对Python控制流求梯度?? 20
小结21
练习21
2.4 查阅文档? 21
2.4.1 查找模块里的所有函数和类?
21
2.4.2 查找特定函数和类的使用?
22
2.4.3 在MXNet网站上查阅? 23
小结 24
练习 24
第3 章 深度学习基础? 25
3.1 线性回归 25
3.1.1 线性回归的基本要素??
25
3.1.2 线性回归的表示方法??
28
小结 30
练习 30
3.2 线性回归的从零开始实现?
30
3.2.1 生成数据集?? 30
3.2.2 读取数据集? 32
3.2.3 初始化模型参数? 32
3.2.4 定义模型? 33
3.2.5 定义损失函数? 33
3.2.6 定义优化算法? 33
3.2.7 训练模型? 33
小结 34
练习 34
3.3 线性回归的简洁实现? 35
3.3.1 生成数据集?? 35
3.3.2 读取数据集? 35
3.3.3 定义模型? 36
3.3.4 初始化模型参数? 36
3.3.5 定义损失函数? 37
3.3.6 定义优化算法? 37
3.3.7 训练模型? 37
小结 38
练习 38
3.4 softmax回归? 38
3.4.1 分类问题?? 38
3.4.2 softmax回归模型? 39
3.4.3 单样本分类的矢量计算表达式 40
3.4.4 小批量样本分类的矢量计算表达式?
40
3.4.5 交叉熵损失函数 41
3.
