Skip to content

RedstoneWill/dl-from-scratch

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

19 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

《深度学习入门:基于PyTorch和TensorFlow的理论与实战》

作者:红色石头

出版社:清华大学出版社

19世纪70 年代,电力的发明和应用掀起了第二次工业化高潮,从此改变了人们的生活方式,大大提高了人类的科技水平。现如今,深度学习(Deep Learning)技术也正在发挥同样的作用。纵观这近几年,深度学习发展非常迅速,发展势头一直高歌猛进。毫无疑问,深度学习技术正在影响着我们的日常生活和行为方式。

深度学习怎么学

深度学习怎么学?事实上,很多初学者常常会误入两大误区:一是找不到一本真正适合自己的教材或书本来学习,陷入到海量资源中手足无措;二是受制于数学理论知识,自认为数学基础不好而影响学习的主观性和积极性。

这两大误区很容易让初学者陷入到一种迷茫的状态。所以,第一步就是要放弃海量资源,选择一份真正适合自己的资料,好好研读下去!第二步就是重视实践。深度学习涉及的理论知识很多,有些人可能基础不是特别扎实,就想着从最底层的知识开始学起,概率论、线性代数、凸优化理论等。但是这样做比较耗时间,而且容易打消学习的积极性。啃书本和推导公式相对来说是比较枯燥的,远不如自己搭建一个简单的神经网络模型更能激发学习积极性。当然,基础理论知识非常重要!只是说,在入门的时候,最好先从顶层框架上有个系统的认识,然后再从实践到理论,有的放矢的查缺补漏深度学习知识点。从宏观到微观,从整体到细节,更有利于快速入门!

为什么写这本书

在学习深度学习的几年时间里,我学过一些国内外优秀的深度学习公开课程,口碑都很好;我也看过不少大牛老师写的高质量书籍,收获颇丰;我也在学习的过程中走过一些弯路,遇到一些坑,这些也是宝贵的经验。

我个人觉得,任何前沿技术,如深度学习,扎实的基础知识非常重要。而最好的基础知识的获取方式还是教材和书本。但是,反观现在一些深度学习方面的书籍,或多或少存在一些问题:

1、数学理论太多,公式多,起点高,对初学者不友善,容易削弱入门学习的积极性。

2、只讲深度学习框架,教你如何调包、调用库函数,不讲深度学习理论知识。容易造成一知半解,沦为“调包侠”。

3、理论与实战的脱节,过于侧重理论或者过于侧重实战,二者之间没有很好的融合。

基于以上这些问题,我认为写一本真正适合深度学习初学者的入门书籍非常必要。这样的书籍不仅要兼顾理论和实战,还应该将重难点知识通俗化讲解、全面细致。难度有阶梯性,照顾不同水平的读者。这样的书籍才能最大程度地让读者受益。

基于这样的考量,《深度学习入门:基于PyTorch与TensorFlow的理论与实战》跟大家见面了。

本书特色

我刚刚也说了,对于初学者而言,一本好的深度学习书籍,宗旨就是让读者能够轻轻松松地掌握知识、触类旁通。本书作为一本深度学习的入门书籍,对初学者是非常友好的。本书的内容来自于我多年的知识积累和技术沉淀,也是我的一份深度学习经验总结。

首先,这本书包含了Python的基本介绍。Python作为人工智能的首选语言,其重要性不言而喻。Python入门非常简单,本书将会对深度学习中所需的基本Python语法知识进行简明扼要的提炼和概括。如果有的读者之前没有接触过Python,那么本书将轻松带你入门。

其次,这本书介绍了如今主流的深度学习框架PyTorch和TensorFlow。通过本书,读者可以对这两个框架的基本语法和基础知识有一个系统的学习,夯实基础。如果你之前对PyTorch和TensorFlow不了解也没有关系,这本书也可以是这两个框架的知识学习手册。

然而,最重要的,这是一本关于深度学习的入门教程。我在编写该书的时候,从小白的视角出发,结合我多年的知识和经验,尽量将深度学习、神经网络的理论知识用通俗易懂的语言描绘出来。这本书能让读者真正了解、熟悉神经网络的结构和优化方法,也能帮助读者梳理一些容易被忽视的技术细节。例如最简单的梯度下降算法,它的公式来源和理论支持是什么?本书都会有详细的解释。

值得注意的是,我一贯的坚持是将复杂的理论简单化,这本书会将理论以平易化的语言描述清楚,但不会深陷于数学公式之中。这本书面向的深度学习的入门者和初学者,不会涉及太多太复杂的理论知识。因为入门深度学习,前期整体上的感性认识尤为重要。轻松入门,往往是比较正确的学习路线。我在编写该书的时候,也一直在把握这个分寸和尺度。如果想要学习更深层次、更高级的深度学习知识,读者可以查阅更多的书籍、会议论文、前沿技术等。 除此之外,深度学习更重要的是代码实践,这也是本书一直秉承的一个重点。这本书的另一个优势就是不仅讲理论知识,也配备了完整的实战项目和代码。从简单的逻辑回归,到浅层神经网络、深层神经网络,再到CNN、RNN,都会通过一个实际项目从零搭建神经网络,或者使用PyTorch、TensorFlow来构建更复杂的例如CNN、RNN模型解决问题。

本书的所有代码,我都开源放在了GitHub上,地址如下:

https://github.com/RedstoneWill/dl-from-scratch

面向的读者

这是一本深度学习的入门书籍,也是一本关于Python、PyTorch、TensorFlow的工具手册;这是一本深度学习的理论书籍,也是一本教你如何编写代码构建神经网络的实战手册。我希望这本书能够帮助更多想要入门深度学习的爱好者,能够帮助读者扫清学习过程中的障碍,再上新台阶。

本书面向的读者包括:深度学习初学者; 对深度学习感兴趣的在校大学生; 有意向转行AI领域的IT从业人员。当然,这本书也是不错的深度学习工具手册,里面不仅有理论知识,也有示例代码。

值得一提的是,如果你已经有很高的深度学习水平了,那么可能本书不太适合你,你应该更关注深度学习的前沿理论和论文。

关于作者

红色石头,北京大学硕士。专注AI领域多年,爱好写作,累计写过的AI领域的原创文章超过150篇,累计读者达20W,文章阅读量超100W。写作风格是擅长以通俗化的语言来解释机器学习、深度学习的算法理论和技术细节。

个人网站:www.redstonewill.com

创办了AI技术领域的微信公众号:AI 有道(ID:redstonewill),欢迎读者关注,方便第一时间获取机器学习、深度学习等有价值的干货分享和信息资源。

书籍目录

第1章 深度学习基础 1

  • 1.1 深度学习概述 1

    • 1.1.1 什么是深度学习 1

    • 1.1.2 深度学习的应用场景 3

    • 1.1.3 深度学习的发展动力 4

    • 1.1.4 深度学习的未来 5

  • 1.2 Python入门 6

    • 1.2.1 Python简介 6

    • 1.2.2 Python的安装 7

    • 1.2.3 Python基础知识 8

    • 1.2.4 NumPy矩阵运算 15

    • 1.2.5 Matplitlib绘图 20

  • 1.3 Anaconda与Jupyter Notebook 24

    • 1.3.1 Anaconda 25

    • 1.3.2 Jupyter Notebook 27

第2章 PyTorch 34

  • 2.1 PyTorch简介 34

    • 2.1.1 什么是PyTorch 34

    • 2.1.2 为什么使用PyTorch 35

  • 2.2 PyTorch安装 36

  • 2.3 张量Tensor 39

    • 2.3.1 创建Tensor 39

    • 2.3.2 Tensor的数学运算 40

    • 2.3.3 Tensor与NumPy 41

    • 2.3.4 CUDA Tensor 42

  • 2.4 自动求导 autograd 43

    • 2.4.1 返回值是标量 43

    • 2.4.2 返回值是张量 44

    • 2.4.3 禁止自动求导 45

  • 2.5 神经网络包nn和优化器optim 45

    • 2.5.1 torch.nn 45

    • 2.5.2 torch.optim 46

  • 2.6 PyTorch线性回归 47

    • 2.6.1 线性回归基本原理 48

    • 2.6.2 PyTorch实现 49

第3章 TensorFlow 53

  • 3.1 TensorFlow简介 53

    • 3.1.1 什么是TensorFlow 53

    • 3.1.2 为什么使用TensorFLow 54

  • 3.2 TensorFlow安装 54

  • 3.3 张量Tensor 56

    • 3.3.1 创建Tensor 56

    • 3.3.2 Tensor的数学运算 57

  • 3.4 数据流图 58

  • 3.5 会话Session 60

  • 3.6 TensorFlow线性回归 62

  • 3.7 TensorBoard 66

    • 3.7.1 TensorBoard代码 66

    • 3.7.2 TensorBoard显示 67

第4章 神经网络基础 71

  • 4.1 感知机 71

    • 4.1.1 感知机模型 71

    • 4.1.2 感知机与逻辑电路 72

  • 4.2 多层感知机 77

    • 4.2.1 感知机的局限性 78

    • 4.2.2 多层感知机实现异或 79

  • 4.3 逻辑回归 81

    • 4.3.1 基本原理 82

    • 4.3.2 损失函数 84

    • 4.3.3 梯度下降 87

    • 4.3.4逻辑回归的Python实现 92

第5章 神经网络 98

  • 5.1 基本结构 98

  • 5.2 前向传播 100

  • 5.3 激活函数 101

  • 5.4 反向传播 106

  • 5.5 更新参数 108

  • 5.6 初始化 108

  • 5.7 神经网络的Python实现 109

    • 5.7.1 准备数据 109

    • 5.7.2 参数初始化 110

    • 5.7.3 前向传播 111

    • 5.7.4 交叉熵损失 112

    • 5.7.5 反向传播 113

    • 5.7.6 更新参数 114

    • 5.7.7 构建整个神经网络模型 115

    • 5.7.8 训练 116

    • 5.7.9 预测 116

第6章 深层神经网络 119

  • 6.1 神经网络为什么要深 119

  • 6.2 符号标记 121

  • 6.3 前向传播与反向传播 122

  • 6.4 多分类Softmax 125

    • 6.4.1 Softmax基本原理 126

    • 6.4.2 Softmax损失函数 127

    • 6.4.3 Softmax求导 128

  • 6.5 深层神经网络的Python实现 130

    • 6.5.1 准备数据 130

    • 6.5.2 参数初始化 133

    • 6.5.3 前向传播 134

    • 6.5.4 交叉熵损失 137

    • 6.5.5 反向传播 137

    • 6.5.6 更新参数 140

    • 6.5.7 构建整个神经网络 141

    • 6.5.8 训练与预测 143

第7章 优化神经网络 146

  • 7.1 正则化 146

    • 7.1.1 什么是过拟合 146

    • 7.1.2 L1和L2正则化 149

    • 7.1.3 Dropout正则化 153

    • 7.1.4 其它正则化技巧 157

  • 7.2 梯度优化 159

    • 7.2.1 BGD、SGD、MBGD 159

    • 7.2.2 Momentum GD 163

    • 7.2.3 Nesterov Momentum 165

    • 7.2.4 AdaGrad 166

    • 7.2.5 RMSprop 167

    • 7.2.6 Adam 168

    • 7.2.7 Learning Rate Decay 169

  • 7.3 网络初始化与超参数调试 170

    • 7.3.1 输入标准化 171

    • 7.3.2 权重参数初始化 173

    • 7.3.3 批归一化 176

    • 7.3.4 超参数调试 179

  • 7.4 模型评估与调试 183

    • 7.4.1 模型评估 183

    • 7.4.2 训练/验证/测试集 184

    • 7.4.3 偏差与方差 187

    • 7.4.4 错误分析 187

第8章 卷积神经网络 192

  • 8.1 为什么选择CNN 192

  • 8.2 CNN基本结构 193

  • 8.3 卷积层 194

    • 8.3.1 卷积 194

    • 8.3.2 边缘检测 196

    • 8.3.3 填充Padding 198

    • 8.3.4 步幅Stride 199

    • 8.3.5 CNN卷积 200

    • 8.3.6 卷积层的作用 205

  • 8.4 池化层 205

  • 8.5 全连接层 208

  • 8.6 CNN模型 210

  • 8.7 典型的CNN模型 213

    • 8.7.1 LeNet-5 213

    • 8.7.2 AlexNet 214

  • 8.8 CNN的PyTorch实现 215

    • 8.8.1 准备数据 215

    • 8.8.2 定义CNN模型 219

    • 8.8.3 损失函数与梯度优化 221

    • 8.8.4 训练模型 221

    • 8.8.5 测试模型 223

  • 8.9 CNN的TensorFlow实现 224

    • 8.9.1 准备数据 224

    • 8.9.2 定义CNN模型 225

    • 8.9.3 损失函数与优化算法 227

    • 8.9.4 训练并测试 228

第9章 循环神经网络 229

  • 9.1 为什么选择RNN 229

  • 9.2 RNN基本结构 230

  • 9.3 模型参数 232

  • 9.4 梯度消失 234

  • 9.5 GRU 234

  • 9.6 LSTM 236

  • 9.7 多种RNN模型 237

  • 9.8 RNN的PyTorch实现 241

    • 9.8.1 准备数据 242

    • 9.8.2 定义RNN模型 244

    • 9.8.3 损失函数与梯度优化 246

    • 9.8.4 训练模型 246

    • 9.8.5 测试模型 247

  • 9.9 RNN的TensorFlow实现 248

    • 9.9.1 准备数据 249

    • 9.9.2 定义RNN模型 249

    • 9.9.3 损失函数与优化算法 250

    • 9.9.4 训练并测试 251

后记 252

源代码目录

About

No description, website, or topics provided.

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published