目錄 譯者序　xiii 前言　xv 第　1 章 Python入門(mén)　1 1.1　Python是什么　1 1.2　Python的安裝　2 1.2.1　Python版本　2 1.2.2　使用的外部庫(kù)　2 1.2.3　Anaconda發(fā)行版　3 1.3　Python解釋器　4 1.3.1　算術(shù)計(jì)算　4 1.3.2　數(shù)據(jù)類(lèi)型　5 1.3.3　變量　5 1.3.4　列表　6 1.3.5　字典　7 1.3.6　布爾型　7 1.3.7　if 語(yǔ)句　8 1.3.8　for 語(yǔ)句　8 1.3.9　函數(shù)　9 1.4　Python腳本文件　9 1.4.1　保存為文件　9 1.4.2　類(lèi)　10 1.5　NumPy　11 1.5.1　導(dǎo)入NumPy　11 1.5.2　生成NumPy數(shù)組　12 1.5.3　NumPy 的算術(shù)運(yùn)算　12 1.5.4　NumPy的N維數(shù)組　13 1.5.5　廣播　14 1.5.6　訪(fǎng)問(wèn)元素　15 1.6　Matplotlib　16 1.6.1　繪制簡(jiǎn)單圖形　16 1.6.2　pyplot 的功能　17 1.6.3　顯示圖像　18 1.7　小結(jié)　19 第　2 章 感知機(jī)　21 2.1　感知機(jī)是什么　21 2.2　簡(jiǎn)單邏輯電路　23 2.2.1　與門(mén)　23 2.2.2　與非門(mén)和或門(mén)　23 2.3　感知機(jī)的實(shí)現(xiàn)　25 2.3.1　簡(jiǎn)單的實(shí)現(xiàn)　25 2.3.2　導(dǎo)入權(quán)重和偏置　26 2.3.3　使用權(quán)重和偏置的實(shí)現(xiàn)　26 2.4　感知機(jī)的局限性　28 2.4.1　異或門(mén)　28 2.4.2　線(xiàn)性和非線(xiàn)性　30 2.5　多層感知機(jī)　31 2.5.1　已有門(mén)電路的組合　31 2.5.2　異或門(mén)的實(shí)現(xiàn)　33 2.6　從與非門(mén)到計(jì)算機(jī)　35 2.7　小結(jié)　36 第3　章 神經(jīng)網(wǎng)絡(luò)　37 3.1　從感知機(jī)到神經(jīng)網(wǎng)絡(luò)　37 3.1.1　神經(jīng)網(wǎng)絡(luò)的例子　37 3.1.2　復(fù)習(xí)感知機(jī)　38 3.1.3　激活函數(shù)登場(chǎng)　40 3.2　激活函數(shù)　42 3.2.1　sigmoid 函數(shù)　42 3.2.2　階躍函數(shù)的實(shí)現(xiàn)　43 3.2.3　階躍函數(shù)的圖形　44 3.2.4　sigmoid 函數(shù)的實(shí)現(xiàn)　45 3.2.5　sigmoid 函數(shù)和階躍函數(shù)的比較　46 3.2.6　非線(xiàn)性函數(shù)　48 3.2.7　ReLU函數(shù)　49 3.3　多維數(shù)組的運(yùn)算　50 3.3.1　多維數(shù)組　50 3.3.2　矩陣乘法　51 3.3.3　神經(jīng)網(wǎng)絡(luò)的內(nèi)積　55 3.4　3 層神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)　56 3.4.1　符號(hào)確認(rèn)　57 3.4.2　各層間信號(hào)傳遞的實(shí)現(xiàn)　58 3.4.3　代碼實(shí)現(xiàn)小結(jié)　62 3.5　輸出層的設(shè)計(jì)　63 3.5.1　恒等函數(shù)和softmax 函數(shù)　64 3.5.2　實(shí)現(xiàn)softmax 函數(shù)時(shí)的注意事項(xiàng)　66 3.5.3　softmax 函數(shù)的特征　67 3.5.4　輸出層的神經(jīng)元數(shù)量　68 3.6　手寫(xiě)數(shù)字識(shí)別　69 3.6.1　MNIST數(shù)據(jù)集　70 3.6.2　神經(jīng)網(wǎng)絡(luò)的推理處理　73 3.6.3　批處理　75 3.7　小結(jié)　79 第4　章 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)　81 4.1　從數(shù)據(jù)中學(xué)習(xí)　81 4.1.1　數(shù)據(jù)驅(qū)動(dòng)　82 4.1.2　訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)　84 4.2　損失函數(shù)　85 4.2.1　均方誤差　85 4.2.2　交叉熵誤差　87 4.2.3　mini-batch 學(xué)習(xí)　88 4.2.4　mini-batch 版交叉熵誤差的實(shí)現(xiàn)　91 4.2.5　為何要設(shè)定損失函數(shù)　92 4.3　數(shù)值微分　94 4.3.1　導(dǎo)數(shù)　94 4.3.2　數(shù)值微分的例子　96 4.3.3　偏導(dǎo)數(shù)　98 4.4　梯度　100 4.4.1　梯度法　102 4.4.2　神經(jīng)網(wǎng)絡(luò)的梯度　106 4.5　學(xué)習(xí)算法的實(shí)現(xiàn)　109 4.5.1　2 層神經(jīng)網(wǎng)絡(luò)的類(lèi)　110 4.5.2　mini-batch 的實(shí)現(xiàn)　114 4.5.3　基于測(cè)試數(shù)據(jù)的評(píng)價(jià)　116 4.6　小結(jié)　118 第5　章 誤差反向傳播法　121 5.1　計(jì)算圖　121 5.1.1　用計(jì)算圖求解　122 5.1.2　局部計(jì)算　124 5.1.3　為何用計(jì)算圖解題　125 5.2　鏈?zhǔn)椒▌t　126 5.2.1　計(jì)算圖的反向傳播　127 5.2.2　什么是鏈?zhǔn)椒▌t　127 5.2.3　鏈?zhǔn)椒▌t和計(jì)算圖　129 5.3　反向傳播　130 5.3.1　加法節(jié)點(diǎn)的反向傳播　130 5.3.2　乘法節(jié)點(diǎn)的反向傳播　132 5.3.3　蘋(píng)果的例子　133 5.4　簡(jiǎn)單層的實(shí)現(xiàn)　135 5.4.1　乘法層的實(shí)現(xiàn)　135 5.4.2　加法層的實(shí)現(xiàn)　137 5.5　激活函數(shù)層的實(shí)現(xiàn)　139 5.5.1　ReLU層　139 5.5.2　Sigmoid 層　141 5.6　Affine/Softmax層的實(shí)現(xiàn)　144 5.6.1　Affine層　144 5.6.2　批版本的Affine層　148 5.6.3　Softmax-with-Loss 層　150 5.7　誤差反向傳播法的實(shí)現(xiàn)　154 5.7.1　神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的全貌圖　154 5.7.2　對(duì)應(yīng)誤差反向傳播法的神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)　155 5.7.3　誤差反向傳播法的梯度確認(rèn)　158 5.7.4　使用誤差反向傳播法的學(xué)習(xí)　159 5.8　小結(jié)　161 第6　章 與學(xué)習(xí)相關(guān)的技巧　163 6.1　參數(shù)的更新　163 6.1.1　探險(xiǎn)家的故事　164 6.1.2　SGD　164 6.1.3　SGD的缺點(diǎn)　166 6.1.4　Momentum　168 6.1.5　AdaGrad　170 6.1.6　Adam　172 6.1.7　使用哪種更新方法呢　174 6.1.8　基于MNIST數(shù)據(jù)集的更新方法的比較　175 6.2　權(quán)重的初始值　176 6.2.1　可以將權(quán)重初始值設(shè)為0 嗎　176 6.2.2　隱藏層的激活值的分布　177 6.2.3　ReLU的權(quán)重初始值　181 6.2.4　基于MNIST數(shù)據(jù)集的權(quán)重初始值的比較　183 6.3　Batch Normalization　184 6.3.1　Batch Normalization 的算法　184 6.3.2　Batch Normalization 的評(píng)估　186 6.4　正則化　188 6.4.1　過(guò)擬合　189 6.4.2　權(quán)值衰減　191 6.4.3　Dropout　192 6.5　超參數(shù)的驗(yàn)證　195 6.5.1　驗(yàn)證數(shù)據(jù)　195 6.5.2　超參數(shù)的最優(yōu)化　196 6.5.3　超參數(shù)最優(yōu)化的實(shí)現(xiàn)　198 6.6　小結(jié)　200 第7　章 卷積神經(jīng)網(wǎng)絡(luò)　201 7.1　整體結(jié)構(gòu)　201 7.2　卷積層　202 7.2.1　全連接層存在的問(wèn)題　203 7.2.2　卷積運(yùn)算　203 7.2.3　填充　206 7.2.4　步幅　207 7.2.5　3 維數(shù)據(jù)的卷積運(yùn)算　209 7.2.6　結(jié)合方塊思考　211 7.2.7　批處理　213 7.3　池化層　214 7.4　卷積層和池化層的實(shí)現(xiàn)　216 7.4.1　4 維數(shù)組　216 7.4.2　基于im2col 的展開(kāi)　217 7.4.3　卷積層的實(shí)現(xiàn)　219 7.4.4　池化層的實(shí)現(xiàn)　222 7.5　CNN的實(shí)現(xiàn)　224 7.6　CNN的可視化　228 7.6.1　第 1 層權(quán)重的可視化　228 7.6.2　基于分層結(jié)構(gòu)的信息提取　230 7.7　具有代表性的CNN　231 7.7.1　LeNet　231 7.7.2　AlexNet　232 7.8　小結(jié)　233 第8　章 深度學(xué)習(xí)　235 8.1　加深網(wǎng)絡(luò)　235 8.1.1　向更深的網(wǎng)絡(luò)出發(fā)　235 8.1.2　進(jìn)一步提高識(shí)別精度　238 8.1.3　加深層的動(dòng)機(jī)　240 8.2　深度學(xué)習(xí)的小歷史　242 8.2.1　ImageNet　243 8.2.2　VGG　244 8.2.3　GoogLeNet　245 8.2.4　ResNet　246 8.3　深度學(xué)習(xí)的高速化　248 8.3.1　需要努力解決的問(wèn)題　248 8.3.2　基于GPU的高速化　249 8.3.3　分布式學(xué)習(xí)　250 8.3.4　運(yùn)算精度的位數(shù)縮減　252 8.4　深度學(xué)習(xí)的應(yīng)用案例　253 8.4.1　物體檢測(cè)　253 8.4.2　圖像分割　255 8.4.3　圖像標(biāo)題的生成　256 8.5　深度學(xué)習(xí)的未來(lái)　258 8.5.1　圖像風(fēng)格變換　258 8.5.2　圖像的生成　259 8.5.3　自動(dòng)駕駛　261 8.5.4　Deep Q-Network（強(qiáng)化學(xué)習(xí)）　262 8.6　小結(jié)　264 附錄A　Softmax-with-Loss 層的計(jì)算圖　267 A.1　正向傳播　268 A.2　反向傳播　270 A.3　小結(jié)　277 參考文獻(xiàn)　279