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
3.4.6 模型预测及评价 ………………… 42
小结………………………………………… 42
练习………………………………………… 42
3.5 图像分类数据集（Fashion-MNIST）… ……………… 42
3.5.1 获取数据集 … …………………… 42
3.5.2 读取小批量 ……………………… 44
小结………………………………………… 45
练习………………………………………… 45
3.6 softmax回归的从零开始实现… ……… 45
3.6.1 读取数据集 … …………………… 45
3.6.2 初始化模型参数 ………………… 45
3.6.3 实现softmax运算 … …………… 46
3.6.4 定义模型 ………………………… 46
3.6.5 定义损失函数 …………………… 47
3.6.6 计算分类准确率 ………………… 47
3.6.7 训练模型 ………………………… 48
3.6.8 预测… …………………………… 48
小结………………………………………… 49
练习………………………………………… 49
3.7 softmax回归的简洁实现… …………… 49
3.7.1 读取数据集 … …………………… 49
3.7.2 定义和初始化模型 ……………… 50
3.7.3 softmax和交叉熵损失函数 … … 50
3.7.4 定义优化算法 …………………… 50
3.7.5 训练模型 ………………………… 50
小结………………………………………… 50
练习………………………………………… 50
3.8 多层感知机… …………………………… 51
3.8.1 隐藏层 … ……………………………51
3.8.2 激活函数 ………………………… 52
3.8.3 多层感知机 ……………………… 55
小结………………………………………… 55
练习………………………………………… 55
3.9 多层感知机的从零开始实现… ………… 56
3.9.1 读取数据集 … …………………… 56
3.9.2 定义模型参数 …………………… 56
3.9.3 定义激活函数 …………………… 56
3.9.4 定义模型 ………………………… 56
3.9.5 定义损失函数 …………………… 57
3.9.6 训练模型 ………………………… 57
小结………………………………………… 57
练习………………………………………… 57
3.10 多层感知机的简洁实现………………… 57
3.10.1 定义模型 ………………………… 58
3.10.2 训练模型 … …………………… 58
小结………………………………………… 58
练习………………………………………… 58
3.11 模型选择、欠拟合和过拟合… ………… 58
3.11.1 训练误差和泛化误差 …………… 59
3.11.2 模型选择 ………………………… 59
3.11.3 欠拟合和过拟合 ………………… 60
3.11.4 多项式函数拟合实验 ……………61
小结………………………………………… 65
练习………………………………………… 65
3.12 权重衰减………………………………… 65
3.12.1 方法 ……………………………… 65
3.12.2 高维线性回归实验 … ………… 66
3.12.3 从零开始实现 … ……………… 66
3.12.4 简洁实现 … …………………… 68
小结………………………………………… 70
练习………………………………………… 70
3.13 丢弃法…………………………………… 70
3.13.1 方法 ……………………………… 70
3.13.2 从零开始实现 … …………………71
3.13.3 简洁实现 … …………………… 73
小结………………………………………… 74
练习………………………………………… 74
3.14 正向传播、反向传播和计算图………… 74
3.14.1 正向传播 ……………………… 74
3.14.2 正向传播的计算图 … ………… 75
3.14.3 反向传播 … …………………… 75
3.14.4 训练深度学习模型 … ………… 76
小结………………………………………… 77
练习………………………………………… 77
3.15 数值稳定性和模型初始化……………… 77
3.15.1 衰减和爆炸 ……………………… 77
3.15.2 随机初始化模型参数 … ……… 78
小结………………………………………… 78
练习………………………………………… 79
3.16 实战Kaggle比赛：房价预测… ……… 79
3.16.1 Kaggle比赛 … ………………… 79
3.16.2 读取数据集 … ………………… 80
3.16.3 预处理数据集 … …………………81
3.16.4 训练模型 … …………………… 82
3.16.5 k 折交叉验证 …………………… 82
3.16.6 模型选择 … …………………… 83
3.16.7 预测并在Kaggle提交结果… … 84
小结………………………………………… 85
练习………………………………………… 85
第4 章 深度学习计算… ……………… 86
4.1 模型构造………………………………… 86
4.1.1 继承Block类来构造模型 … …… 86
4.1.2 Sequential类继承自Block类…………………………… 87
4.1.3 构造复杂的模型… ……………… 88
小结………………………………………… 89
练习………………………………………… 90
4.2 模型参数的访问、初始化和共享… …… 90
4.2.1 访问模型参数 … ………………… 90
4.2.2 初始化模型参数 ………………… 92
4.2.3 自定义初始化方法 ……………… 93
4.2.4 共享模型参数 …………………… 94
小结………………………………………… 94
练习………………………………………… 94
4.3 模型参数的延后初始化… ……………… 95
4.3.1 延后初始化 … …………………… 95
4.3.2 避免延后初始化 ………………… 96
小结………………………………………… 96
练习………………………………………… 97
4.4 自定义层… ……………………………… 97
4.4.1 不含模型参数的自定义层 … …… 97
4.4.2 含模型参数的自定义层 ………… 98
小结………………………………………… 99
练习………………………………………… 99
4.5 读取和存储… …………………………… 99
4.5.1 读写NDArray… ………………… 99
4.5.2 读写Gluon模型的参数… ……… 100
小结………………………………………… 101
练习………………………………………… 101
4.6 GPU计算………………………………… 101
4.6.1 计算设备 … ……………………… 102
4.6.2 NDArray的GPU计算…………… 102
4.6.3 Gluon的GPU计算 ……………… 104
小结………………………………………… 105
练习………………………………………… 105
第5 章 卷积神经网络… ……………… 106
5.1 二维卷积层………………………………… 106
5.1.1 二维互相关运算 … ……………… 106
5.1.2 二维卷积层 … …………………… 107
5.1.3 图像中物体边缘检测 … ………… 108
5.1.4 通过数据学习核数组 … ………… 109
5.1.5 互相关运算和卷积运算 … ……… 109
5.1.6 特征图和感受野… ……………… 110
小结………………………………………… 110
练习………………………………………… 110
5.2 填充和步幅… …………………………… 111
5.2.1 填充 … …………………………… 111
5.2.2 步幅 ……………………………… 112
小结………………………………………… 113
练习………………………………………… 113
5.3 多输入通道和多输出通道… …………… 114
5.3.1 多输入通道 … …………………… 114
5.3.2 多输出通道… …………………… 115
5.3.3 1×1卷积层 ……………………… 116
小结………………………………………… 117
练习………………………………………… 117
5.4 池化层… ………………………………… 117
5.4.1 二维最大池化层和平均池化层 … ………………………… 117
5.4.2 填充和步幅 ……………………… 119
5.4.3 多通道 …………………………… 120
小结………………………………………… 120
练习………………………………………… 121
5.5 卷积神经网络（LeNet）… …………… 121
5.5.1 LeNet模型 … …………………… 121
5.5.2 训练模型… ……………………… 122
小结………………………………………… 124
练习………………………………………… 124
5.6 深度卷积神经网络（AlexNet）… …… 124
5.6.1 学习特征表示 … ………………… 125
5.6.2 AlexNet… ……………………… 126
5.6.3 读取数据集 ……………………… 127
5.6.4 训练模型 ………………………… 128
小结………………………………………… 128
练习………………………………………… 129
5.7 使用重复元素的网络（VGG）………… 129
5.7.1 VGG块 …………………………… 129
5.7.2 VGG网络 … …………………… 129
5.7.3 训练模型… ……………………… 130
小结………………………………………… 131
练习………………………………………… 131
5.8 网络中的网络（NiN）… ……………… 131
5.8.1 NiN块 … ………………………… 131
5.8.2 NiN模型 … ……………………… 132
5.8.3 训练模型… ……………………… 133
小结………………………………………… 134
练习………………………………………… 134
5.9 含并行连结的网络（GoogLeNet）…… 134
5.9.1 Inception块 ……………………… 134
5.9.2 GoogLeNet模型 … …………… 135
5.9.3 训练模型 ………………………… 137
小结………………………………………… 137
练习………………………………………… 137
5.10 批量归一化……………………………… 138
5.10.1 批量归一化层 ………………… 138
5.10.2 从零开始实现 … ……………… 139
5.10.3 使用批量归一化层的LeNet … … 140
5.10.4 简洁实现 … …………………… 141
小结………………………………………… 142
练习………………………………………… 142
5.11 残差网络（ResNet） ……………… 143
5.11.1 残差块 …………………………… 143
5.11.2 ResNet模型… ………………… 145
5.11.3 训练模型………………………… 146
小结………………………………………… 146
练习………………………………………… 146
5.12 稠密连接网络（DenseNet）………… 147
5.12.1 稠密块 …………………………… 147
5.12.2 过渡层 … ……………………… 148
5.12.3 DenseNet模型 ………………… 148
5.12.4 训练模型 … …………………… 149
小结………………………………………… 149
练习………………………………………… 149
第6 章 循环神经网络… ……………… 150
6.1 语言模型………………………………… 150
6.1.1 语言模型的计算 … ……………… 151
6.1.2 n 元语法 … ……………………… 151
小结………………………………………… 152
练习………………………………………… 152
6.2 循环神经网络… ………………………… 152
6.2.1 不含隐藏状态的神经网络 … …… 152
6.2.2 含隐藏状态的循环神经网络… … 152
6.2.3 应用：基于字符级循环神经网络的语言模型 … ……………………… 154
小结………………………………………… 155
练习………………………………………… 155
6.3 语言模型数据集（歌词）…… 155
6.3.1 读取数据集 … …………………… 155
6.3.2 建立字符索引 …………………… 156
6.3.3 时序数据的采样 ………………… 156
小结………………………………………… 158
练习………………………………………… 159
6.4 循环神经网络的从零开始实现… ……… 159
6.4.1 one-hot向量 … ………………… 159
6.4.2 初始化模型参数 ………………… 160
6.4.3 定义模型 ………………………… 160
6.4.4 定义预测函数 …………………… 161
6.4.5 裁剪梯度 ………………………… 161
6.4.6 困惑度 …………………………… 162
6.4.7 定义模型训练函数 ……………… 162
6.4.8 训练模型并创作歌词 …………… 163
小结………………………………………… 164
练习………………………………………… 164
6.5 循环神经网络的简洁实现… …………… 165
6.5.1 定义模型 … ……………………… 165
6.5.2 训练模型 ………………………… 166
小结………………………………………… 168
练习………………………………………… 168
6.6 通过时间反向传播… …………………… 168
6.6.1 定义模型 … ……………………… 168
6.6.2 模型计算图 ……………………… 169
6.6.3 方法 ……………………………… 169
小结………………………………………… 170
练习………………………………………… 170
6.7 门控循环单元（GRU）………………… 170
6.7.1 门控循环单元 … ………………… 171
6.7.2 读取数据集 ……………………… 173
6.7.3 从零开始实现 …………………… 173
6.7.4 简洁实现 ………………………… 175
小结………………………………………… 176
练习………………………………………… 176
6.8 长短期记忆（LSTM）… ……………… 176
6.8.1 长短期记忆 … …………………… 176
6.8.2 读取数据集 ……………………… 179
6.8.3 从零开始实现 …………………… 179
6.8.4 简洁实现 ………………………… 181
小结………………………………………… 181
练习………………………………………… 182
6.9 深度循环神经网络… …………………… 182
小结………………………………………… 183
练习………………………………………… 183
6.10 双向循环神经网络……………………… 183
小结………………………………………… 184
练习………………………………………… 184
第7 章 优化算法… …………………… 185
7.1 优化与深度学习…………………………… 185
7.1.1 优化与深度学习的关系 … ……… 185
7.1.2 优化在深度学习中的挑战 … …… 186
小结………………………………………… 188
练习………………………………………… 189
7.2 梯度下降和随机梯度下降… …………… 189
7.2.1 一维梯度下降 … ………………… 189
7.2.2 学习率 …………………………… 190
7.2.3 多维梯度下降 …………………… 191
7.2.4 随机梯度下降 …………………… 193
小结………………………………………… 194
练习………………………………………… 194
7.3 小批量随机梯度下降… ………………… 194
7.3.1 读取数据集 … …………………… 195
7.3.2 从零开始实现 …………………… 196
7.3.3 简洁实现 ………………………… 198
小结………………………………………… 199
练习………………………………………… 199
7.4 动量法… …………………………………200
7.4.1 梯度下降的问题 … ……………… 200
7.4.2 动量法 …………………………… 201
·6· 目 录
7.4.3 从零开始实现 …………………… 203
7.4.4 简洁实现 ………………………… 205
小结………………………………………… 205
练习………………………………………… 205
7.5 AdaGrad算法……………………………206
7.5.1 算法 … …………………………… 206
7.5.2 特点 ……………………………… 206
7.5.3 从零开始实现 …………………… 208
7.5.4 简洁实现 ………………………… 209
小结………………………………………… 209
练习………………………………………… 209
7.6 RMSProp算法… ………………………209
7.6.1 算法 … …………………………… 210
7.6.2 从零开始实现 …………………… 211
7.6.3 简洁实现 ………………………… 212
小结………………………………………… 212
练习………………………………………… 212
7.7 AdaDelta算法… ……………………… 212
7.7.1 算法… …………………………… 212
7.7.2 从零开始实现 …………………… 213
7.7.3 简洁实现 ………………………… 214
小结………………………………………… 214
练习………………………………………… 214
7.8 Adam算法… …………………………… 215
7.8.1 算法 … …………………………… 215
7.8.2 从零开始实现 …………………… 216
7.8.3 简洁实现 ………………………… 216
小结………………………………………… 217
练习………………………………………… 217
第8 章 计算性能… …………………… 218
8.1 命令式和符号式混合编程… …………… 218
8.1.1 混合式编程取两者之长 … ……… 220
8.1.2 使用HybridSequential类构造模型 … …………………………… 220
8.1.3 使用HybridBlock类构造模型… …………………………… 222
小结………………………………………… 224
练习………………………………………… 224
8.2 异步计算… ………………………………224
8.2.1 MXNet中的异步计算 …………… 224
8.2.2 用同步函数让前端等待计算结果 … …………………………… 226
8.2.3 使用异步计算提升计算性能 …… 226
8.2.4 异步计算对内存的影响 ………… 227
小结………………………………………… 229
练习………………………………………… 229
8.3 自动并行计算… …………………………229
8.3.1 CPU和GPU的并行计算 … …… 230
8.3.2 计算和通信的并行计算 ………… 231
小结………………………………………… 231
练习………………………………………… 231
8.4 多GPU计算……………………………… 232
8.4.1 数据并行 … ……………………… 232
8.4.2 定义模型 ………………………… 233
8.4.3 多GPU之间同步数据 … ……… 234
8.4.4 单个小批量上的多GPU训练 … …………………………… 236
8.4.5 定义训练函数 …………………… 236
8.4.6 多GPU训练实验 … …………… 237
小结………………………………………… 237
练习………………………………………… 237
8.5 多GPU计算的简洁实现………………… 237
8.5.1 多GPU上初始化模型参数……… 238
8.5.2 多GPU训练模型 … …………… 239
小结………………………………………… 241
练习………………………………………… 241
第9 章 计算机视觉… ………………… 242
9.1 图像增广…………………………………242
9.1.1 常用的图像增广方法 … ………… 243
9.1.2 使用图像增广训练模型 … ……… 246
小结………………………………………… 250
练习………………………………………… 250
9.2 微调… ……………………………………250
热狗识别 … ……………………………… 251
小结………………………………………… 255
练习………………………………………… 255
目 录 ·7·
9.3 目标检测和边界框… ……………………255
边界框 … ………………………………… 256
小结………………………………………… 257
练习………………………………………… 257
9.4 锚框… …………………………………… 257
9.4.1 生成多个锚框… ………………… 257
9.4.2 交并比 …………………………… 259
9.4.3 标注训练集的锚框 ……………… 260
9.4.4 输出预测边界框… ……………… 263
小结………………………………………… 265
练习………………………………………… 265
9.5 多尺度目标检测… ………………………265
小结………………………………………… 268
练习………………………………………… 268
9.6 目标检测数据集（皮卡丘）… …………268
9.6.1 获取数据集 … …………………… 269
9.6.2 读取数据集… …………………… 269
9.6.3 图示数据 ………………………… 270
小结………………………………………… 270
练习………………………………………… 271
9.7 单发多框检测（SSD）… ……………… 271
9.7.1 定义模型… ……………………… 271
9.7.2 训练模型 ………………………… 275
9.7.3 预测目标 ………………………… 277
小结………………………………………… 278
练习………………………………………… 278
9.8 区域卷积神经网络（R-CNN）系列……280
9.8.1 R-CNN … ……………………… 280
9.8.2 Fast R-CNN …………………… 281
9.8.3 Faster R-CNN ………………… 283
9.8.4 Mask R-CNN … ……………… 284
小结………………………………………… 285
练习………………………………………… 285
9.9 语义分割和数据集… ……………………285
9.9.1 图像分割和实例分割 … ………… 285
9.9.2 Pascal VOC2012语义分割数据集 … ………………………… 286
小结………………………………………… 290
练习………………………………………… 290
9.10 全卷积网络（FCN）… ………………290
9.10.1 转置卷积层 …………………… 291
9.10.2 构造模型 … …………………… 292
9.10.3 初始化转置卷积层……………… 294
9.10.4 读取数据集 … ………………… 295
9.10.5 训练模型………………………… 296
9.10.6 预测像素类别…………………… 296
小结………………………………………… 297
练习………………………………………… 297
9.11 样式迁移… ………………………………298
9.11.1 方法 ……………………………… 298
9.11.2 读取内容图像和样式图像……… 299
9.11.3 预处理和后处理图像 ………… 300
9.11.4 抽取特征 ……………………… 301
9.11.5 定义损失函数 ………………… 302
9.11.6 创建和初始化合成图像 ……… 303
9.11.7 训练模型………………………… 304
小结………………………………………… 306
练习………………………………………… 306
9.12 实战Kaggle比赛：图像
分类（CIFAR-10）……………………306
9.12.1 获取和整理数据集 ……………… 307
9.12.2 图像增广 … …………………… 310
9.12.3 读取数据集 … ………………… 310
9.12.4 定义模型………………………… 311
9.12.5 定义训练函数 … ……………… 312
9.12.6 训练模型 … …………………… 312
9.12.7 对测试集分类并在Kaggle
提交结果 … …………………… 313
小结………………………………………… 313
练习………………………………………… 313
9.13 实战Kaggle比赛：狗的品种
识别（ImageNet Dogs）…………… 314
9.13.1 获取和整理数据集 …………… 315
9.13.2 图像增广 … …………………… 316
9.13.3 读取数据集 … ………………… 317
9.13.4 定义模型 … …………………… 318
9.13.5 定义训练函数 … ……………… 318
9.13.6 训练模型 … …………………… 319
·8· 目 录
9.13.7 对测试集分类并在Kaggle提交结果 … …………………… 319
小结………………………………………… 320
练习………………………………………… 320
第10 章 自然语言处理………………… 321
10.1 词嵌入（word2vec）………………… 321
10.1.1 为何不采用one-hot向量… …… 321
10.1.2 跳字模型 ………………………… 322
10.1.3 连续词袋模型 …………………… 323
小结………………………………………… 325
练习………………………………………… 325
10.2 近似训练…………………………………325
10.2.1 负采样 …………………………… 325
10.2.2 层序softmax …………………… 326
小结………………………………………… 327
练习………………………………………… 328
10.3 word2vec的实现………………………328
10.3.1 预处理数据集 …………………… 328
10.3.2 负采样 … ……………………… 331
10.3.3 读取数据集 … ………………… 331
10.3.4 跳字模型 … …………………… 332
10.3.5 训练模型 … …………………… 333
10.3.6 应用词嵌入模型 … …………… 335
小结………………………………………… 336
练习………………………………………… 336
10.4 子词嵌入（fastText）… ……………336
小结………………………………………… 337
练习………………………………………… 337
10.5 全局向量的词嵌入（GloVe）…………337
10.5.1 GloVe模型 …………………… 338
10.5.2 从条件概率比值理解GloVe模型……………………… 339
小结………………………………………… 340
练习………………………………………… 340
10.6 求近义词和类比词………………………340
10.6.1 使用预训练的词向量 ………… 340
10.6.2 应用预训练词向量 … ………… 341
小结………………………………………… 343
练习………………………………………… 343
10.7 文本情感分类：使用循环神经网络…… 343
10.7.1 文本情感分类数据集 ………… 343
10.7.2 使用循环神经网络的模型……… 345
小结………………………………………… 347
练习………………………………………… 347
10.8 文本情感分类：使用卷积神经网络（textCNN）… …………………347
10.8.1 一维卷积层 … ………………… 348
10.8.2 时序最大池化层 … …………… 349
10.8.3 读取和预处理IMDb数据集 … ……………………… 350
10.8.4 textCNN模型 … ……………… 350
小结………………………………………… 353
练习………………………………………… 353
10.9 编码器-解码器（seq2seq）…………353
10.9.1 编码器 ………………………… 354
10.9.2 解码器 … ……………………… 354
10.9.3 训练模型………………………… 355
小结………………………………………… 355
练习………………………………………… 355
10.10 束搜索… ………………………………355
10.10.1 贪婪搜索 … …………………… 356
10.10.2 穷举搜索 ……………………… 357
10.10.3 束搜索 ………………………… 357
小结………………………………………… 358
练习………………………………………… 358
10.11 注意力机制… …………………………358
10.11.1 计算背景变量 … ……………… 359
10.11.2 更新隐藏状态 … ……………… 360
10.11.3 发展… ………………………… 361
小结………………………………………… 361
练习………………………………………… 361
10.12 机器翻译… …………………………… 361
10.12.1 读取和预处理数据集… ……… 361
10.12.2 含注意力机制的编码器-解码器 … …………… 363
10.12.3 训练模型 ……………………… 365
10.12.4 预测不定长的序列… ………… 367
10.12.5 评价翻译结果 ………………… 367
小结………………………………………… 369
练习………………………………………… 369
附录A 数学基础… …………………… 370
附录B 使用 Jupyter 记事本… ……… 376
附录C 使用 AWS 运行代码…………… 381
附录D GPU 购买指南………………… 388
附录E 如何为本书做贡献… ………… 391
附录F d2lzh 包索引…………………… 395
附录G 中英文术语对照表… ………… 397
参考文献………………………………… 402
索引……………………………………… 407
· · · · · · (
收起)
少琳肆
Wattskemov
八个比特
昱霖
0 有用 🥃 2022-04-05 23:02:08
好 就是新版啰里八嗦的
0 有用 TensorBanana 2022-04-06 11:41:22
借着把torch快速撸一遍
2 有用 Rosetta 2022-02-05 16:13:18
第二版英文开源项目已更新到19章。基础部分已食用。各种应用待了解。 P.S.这本书的阅读体验很像格里菲斯的量子力学，都是先带着你动起来，并且前半部分介绍原理和基础，后半部分介绍各种应用。这样的编排真的很适合新手向教学。
46 有用 heisen 2020-01-04 06:26:54
应该是到2020年为止最适合入门的一本深度学习教材了吧， 讲的东西虽然不是很深，但是都很clear，还讲解了MXNet相关的实现， 最好还是看英文版的， 讲了attention mechanism和别的机制，这些貌似中文版没有，RNN推荐再看看CMU的DL https://www.youtube.com/watch?v=YYNNTrSROa4 Attention 推荐看看李宏毅两倍速就行 http... 应该是到2020年为止最适合入门的一本深度学习教材了吧， 讲的东西虽然不是很深，但是都很clear，还讲解了MXNet相关的实现， 最好还是看英文版的， 讲了attention mechanism和别的机制，这些貌似中文版没有，RNN推荐再看看CMU的DL https://www.youtube.com/watch?v=YYNNTrSROa4 Attention 推荐看看李宏毅两倍速就行 https://www.bilibili.com/video/av48285039?p=92 假如实在这也学不会， 只推荐看UW的这个DL了。。。虽然这么浅基本就是追求广度的科普 https://github.com/jeffheaton/t81_558_deep_learning (展开)
3 有用 一只黑眼睛看着大千世界 2021-05-17 00:11:10
第一版一般，集中于mxnet实现，内容安排比较随意，优点在于真的能跑的代码，真的去实现了几种CV网络。第二版在官网，丰富了很多理论知识，结构更顺畅、规整（类似其他老牌书的架势），同时提供mxnet、pytorch、tf三套代码，增加了Attention、BERT、推荐系统（很扎实）、GAN