用Python實現(xiàn)深度學習框架

定　價：￥89.00

作　者：	張覺非，陳震著
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115548375	出版時間：	2020-10-01	包裝：	平裝
開本：	16開	頁數(shù)：	271	字數(shù)：

內容簡介

　　本書帶領讀者用原生Python語言和Numpy線性代數(shù)庫實現(xiàn)一個基于計算圖的深度學習框架MatrixSlow（類似簡易版的PyTorch、TensorFlow或Caffe）。全書分為三個部分。第一部分是原理篇，實現(xiàn)了MatrixSlow框架的核心基礎設施，并基于此講解了機器學習與深度學習的概念和原理，比如模型、計算圖、訓練、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、多層全連接神經網(wǎng)絡、因子分解機、Wide & Deep、DeepFM、循環(huán)神經網(wǎng)絡以及卷積神經網(wǎng)絡，這部分除了著重介紹這些模型的原理、結構以及它們之間的聯(lián)系外，還用MatrixSlow框架搭建并訓練它們以解決實際問題。第三部分是工程篇，討論了一些與深度學習框架相關的工程問題，內容涉及訓練與評估，模型的保存、導入和服務部署，分布式訓練，等等。

作者簡介

　　張覺非本科畢業(yè)于復旦大學計算機系，于中國科學院古脊椎動物與古人類研究所取得古生物學碩士學位，目前在互聯(lián)網(wǎng)行業(yè)從事機器學習算法相關工作。陳震碩士畢業(yè)于北京大學?，F(xiàn)任奇虎360智能工程部總監(jiān)、負責人，帶領團隊建設集團的機器學習計算調度平臺、機器學習建模平臺、機器學習推理引擎以及推薦平臺等AI基礎設施。

圖書目錄

第一部分　原理篇
第　1章機器學習與模型　2
1．1　模型　2
1．2　參數(shù)與訓練　4
1．3　損失函數(shù)　9
1．4　計算圖的訓練　10
1．5　小結　12
第　2章計算圖　13
2．1　什么是計算圖　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　鏈式法則與反向傳播　29
2．5　在計算圖上執(zhí)行梯度下降法　36
2．6　節(jié)點類及其子類　36
2．7　用計算圖搭建ADALINE并訓練　44
2．8　小結　48
第3章　優(yōu)化器　49
3．1　優(yōu)化流程的抽象實現(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　沖量優(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　68
第二部分　模型篇
第4章　邏輯回歸　70
4．1　對數(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　實例：鳶尾花　85
4．7　小結　88
第5章　神經網(wǎng)絡　90
5．1　神經元與激活函數(shù)　90
5．2　神經網(wǎng)絡　95
5．3　多層全連接神經網(wǎng)絡　99
5．4　多個全連接層的意義　101
5．5　實例：鳶尾花　108
5．6　實例：手寫數(shù)字識別　110
5．7　小結　116
第6章　非全連接神經網(wǎng)絡　117
6．1　帶二次項的邏輯回歸　117
6．2　因子分解機　124
6．3　Wide & Deep　132
6．4　DeepFM　137
6．5　實例：泰坦尼克號幸存者　141
6．6　小結　150
第7章　循環(huán)神經網(wǎng)絡　151
7．1　RNN的結構　151
7．2　RNN的輸出　152
7．3　實例：正弦波與方波　155
7．4　變長序列　159
7．5　實例：3D電磁發(fā)音儀單詞識別　164
7．6　小結　167
第8章　卷積神經網(wǎng)絡　168
8．1　蒙德里安與莫奈　168
8．2　濾波器　170
8．3　可訓練的濾波器　176
8．4　卷積層　183
8．5　池化層　186
8．6　CNN的結構　189
8．7　實例：手寫數(shù)字識別　190
8．8　小結　194
第三部分　工程篇
第9章　訓練與評估　196
9．1　訓練和Trainer訓練器　196
9．2　評估和Metrics節(jié)點　202
9．3　混淆矩陣　204
9．4　正確率　204
9．5　查準率　206
9．6　查全率　206
9．7　ROC曲線和AUC　208
9．8　小結　211
第　10章模型保存、預測和服務　212
10．1　模型保存　213
10．2　模型加載和預測　216
10．3　模型服務　216
10．4　客戶端　222
10．5　小結　223
第　11章分布式訓練　224
11．1　分布式訓練的原理　224
11．2　基于參數(shù)服務器的架構　230
11．3　Ring AllReduce原理　241
11．4　Ring AllReduce架構實現(xiàn)　248
11．5　分布式訓練性能評測　257
11．6　小結　259
第　12章工業(yè)級深度學習框架　261
12．1　張量　262
12．2　計算加速　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)圖和動態(tài)圖　267
12．7　混合精度訓練　268
12．8　圖優(yōu)化和編譯優(yōu)化　270
12．9　移動端和嵌入式端　270
12．10　小結　271