《动手学深度学习》

一本面向在校学生、工程师和研究人员的交互式深度学习书籍

在线阅读 PDF GITHUB

阿斯顿·张

亚马逊应用科学家。美国伊利诺伊大学香槟分校计算机科学博士。

李沐

亚马逊首席科学家,美国卡内基梅隆大学计算机系博士。

扎卡里 C. 立顿

美国卡内基梅隆大学助理教授,亚马逊应用科学家。加州大学圣迭戈分校计算机科学博士。

亚历山大 J. 斯莫拉

亚马逊机器学习总监。德国柏林工业大学计算机科学博士。

以及来自社区的 85+ 位贡献者

结合算法与实践

我们将从头开始解释深度学习和机器学习的各个概念,你无需具备这些背景知识。我们的目标是让你在完成学习后不但能从概念上理解深度学习,而且能将它应用到实际项目和研究之中。

引言 · 预备知识

▹ 深度学习简介 ▹ 如何使用本书 ▹ 获取和运行本书代码 ▹ 数据操作 ▹ 自动求梯度 ▹ 查阅 MXNet 文档

深度学习基础

▹ 线性回归 ▹ Softmax 回归 ▹ 多层感知机 ▹ 模型选择 ▹ 权重衰减 ▹ 丢弃法 ▹ 正向、反向传播 ▹ 模型初始化 ▹ Kaggle 实战 :房价预测

深度学习计算

▹ 模型构造 ▹ 模型参数的访问、初始化和共享 ▹ 模型参数的延后初始化 ▹ 自定义层 ▹ 读取和存储 ▹ GPU 计算

卷积神经网络

▹ 二维卷积层 ▹ 填充和步幅 ▹ 多输入通道和多输出通道 ▹ 池化层▹ LeNet ▹ AlexNet ▹ VGG ▹ NiN ▹ GoogLeNet ▹ 批量归一化 ▹ ResNet ▹ DenseNet

循环神经网络

▹ 语言模型 ▹ 循环神经网络 ▹ 通过时间反向传播 ▹ GRU ▹ LSTM ▹ 深度循环神经网络 ▹ 双向循环神经网络

优化算法

▹ 优化与深度学习 ▹ 梯度下降和随机梯度下降 ▹ 小批量随机梯度下降 ▹ 动量法 ▹ Adagrad ▹ RMSProp ▹ Adadelta ▹ Adam

计算性能

▹ 命令式和符号式混合编程 ▹ 异步计算 ▹ 自动并行计算 ▹ 多 GPU 计算

计算机视觉

▹ 图像增广 ▹ 微调 ▹ 物体检测和边界框 ▹ 锚框 ▹ SSD ▹ R-CNN 系列 ▹ FCN ▹ 样式 迁移 ▹ Kaggle 实战:CIFAR-10 ▹ Kaggle 实战:ImageNet Dogs

自然语言处理

▹ word2vec ▹ fastText ▹ GloVe ▹ 求近义词和类比词 ▹ 文本情感分类 ▹ seq2seq ▹ 束搜索 ▹ 注意力机制 ▹ 机器翻译

公式 + 图示 + 代码

我们不仅结合文字、公式和图示来阐明深度学习里常用的模型和算法,还提供代码来演示如何从零开始实现它们,并使用真实数据来提供一个交互式的学习体验。

每一小节都是可以运行的 Jupyter 记事本

你可以自由修改代码和超参数来获取即使反馈,从而积累深度学习的实战经验。

活跃社区支持

你可以通过每个章节最后的链接来同社区的数千名小伙伴一起讨论学习。