用Python实现深度学习框架张觉非陈震Python机器学习 pdf下载

书名：用Python实现深度学习框架

定价：89.00

作者:张觉非 陈震

出版日期：2020.10

ISBN：9787115548375

出版社:人民邮电出版社

本书带领读者用原生Python语言和Numpy线性代数库实现一个基于计算图的深度学习框架MatriSlow（类似简易版的PyTorch、TensorFlow或Caffe）。全书分为三个部分。一部分是原理篇，实现了MatriSlow框架的核心基础设施，并基于此讲解了机器学习与深度学习的概念和原理，比如模型、计算图、训练、梯度下降法及其各种变体。二部分是模型篇，介绍了多种具有代表性的模型，包括逻辑回归、多层全连接神经网络、因子分解机、Wide & Deep、DeepFM、循环神经网络以及卷积神经网络，这部分除了着重介绍这些模型的原理、结构以及它们之间的联系外，还用MatriSlow框架搭建并训练它们以解决实际问题。三部分是工程篇，讨论了一些与深度学习框架相关的工程问题，内容涉及训练与评估，模型的保存、导入和服务部署，分布式训练，等等。

张觉非 本科毕业于复旦大学计算机系，于古脊椎动物与古人类研究所取得古生物学硕士学位，目前在互联网行业从事机器学习算法相关工作。 陈震 硕士毕业于北京大学。现任奇虎360智能工程部总监、负责人，带领团队建设集团的机器学习计算调度平台、机器学习建模平台、机器学习推理引擎以及推荐平台等AI基础设施。

一部分 原理篇 
1章 机器学习与模型 2 
1.1 模型 2 
1.2 参数与训练 4 
1.3 损失函数 9 
1.4 计算图的训练 10 
1.5 小结 12 
2章 计算图 13 
2.1 什么是计算图 13 
2.2 前向传播 14 
2.3 函数优化与梯度下降法 18 
2.4 链式法则与反向传播 29 
2.5 在计算图上执行梯度下降法 36 
2.6 节点类及其子类 36 
2.7 用计算图搭建ADALINE并训练 44 
2.8 小结 48 
3章 优化器 49 
3.1 优化流程的抽象实现 49 
3.2 BGD、SGD和MBGD 53 
3.3 梯度下降优化器 58 
3.4 朴素梯度下降法的局限 60 
3.5 冲量优化器 61 
3.6 AdaGrad优化器 62 
3.7 RMSProp优化器 64 
3.8 Adam优化器 65 
3.9 小结 68 
*二部分 模型篇 
4章 逻辑回归 70 
4.1 对数损失函数 70 
4.2 Logistic函数 73 
4.3 二分类逻辑回归 75 
4.4 多分类逻辑回归 78 
4.5 交熵 81 
4.6 实例：鸢尾花 85 
4.7 小结 88 
5章 神经网络 90 
5.1 神经元与激活函数 90 
5.2 神经网络 95 
5.3 多层全连接神经网络 99 
5.4 多个全连接层的意义 101 
5.5 实例：鸢尾花 108 
5.6 实例：手写数字识别 110 
5.7 小结 116 
6章 非全连接神经网络 117 
6.1 带二次项的逻辑回归 117 
6.2 因子分解机 124 
6.3 Wide & Deep 132 
6.4 DeepFM 137 
6.5 实例：泰坦尼克号幸存者 141 
6.6 小结 150 
7章 循环神经网络 151 
7.1 RNN的结构 151 
7.2 RNN的输出 152 
7.3 实例：正弦波与方波 155 
7.4 变长序列 159 
7.5 实例：3D电磁发音仪单词识别 164 
7.6 小结 167 
8章 卷积神经网络 168 
8.1 蒙德里安与莫奈 168 
8.2 滤波器 170 
8.3 可训练的滤波器 176 
8.4 卷积层 183 
8.5 池化层 186 
8.6 CNN的结构 189 
8.7 实例：手写数字识别 190 
8.8 小结 194 
三部分 工程篇 
9章 训练与评估 196 
9.1 训练和Trainer训练器 196 
9.2 评估和Metrics节点 202 
9.3 混淆矩阵 204 
9.4 正确率 204 
9.5 查准率 206 
9.6 查全率 206 
9.7 ROC曲线和AUC 208 
9.8 小结 211 
10章 模型保存、预测和服务 212 
10.1 模型保存 213 
10.2 模型加载和预测 216 
10.3 模型服务 216 
10.4 客户端 222 
10.5 小结 223 
11章 分布式训练 224 
11.1 分布式训练的原理 224 
11.2 基于参数服务器的架构 230 
11.3 Ring AllReduce原理 241 
11.4 Ring AllReduce架构实现 248 
11.5 分布式训练性能评测 257 
11.6 小结 259 
12章 工业级深度学习框架 261 
12.1 张量 262 
12.2 计算加速 263 
12.3 GPU 265 
12.4 数据接口 266 
12.5 模型并行 266 
12.6 静态图和动态图 267 
12.7 混合精度训练 268 
12.8 图优化和编译优化 270 
12.9 移动端和嵌入式端 270 
12.10 小结 271