Python与神经网络实战

Name: Python与神经网络实战
ISBN: 9787121342387

何宇健电子工业出版社 · 中国2020年10月

3.2

字数: 19.4万字
章节数: 145
ISBN: 9787121342387

信息有误查询本书

内容简介

人工智能已成趋势，而深度学习则是其中最有用的工具之一。虽然由于科技发展的迅猛，现在实用技术更新换代的频率已经几乎达到了一周，但是其背后最为基础的知识却是共通的。本书的目的就是较为全面地介绍神经网络的诸多基础与进阶的技术，同时也会介绍如何利用神经网络来解决真实世界中的现实任务。各章节的内容不仅包括了经典的传统机器学习算法与神经网络的方方面面，也对它们进行了对比与创新。如果能够掌握好本书所叙述的知识的话，相信即使具体的技术迭代得再快，读者也能根据本书所打好的基础来快速理解、上手与改进它们吧。本书兼顾了理论与实践，不仅会从公式上推导出各种性质，也会从实验上去验证它们，比较适合初学者进行学习。同时，本书所给出的框架更是能直接、简单、快速地应用在实际任务中，比较适合相关从业人员使用。

编辑推荐

《Python与神经网络实战》是一本定位精准的入门级实践指南。作者何宇健作为一线开发者，没有陷入复杂理论的泥沼，而是以『快速上手、立即应用』为核心编写逻辑。全书采用当前主流的TensorFlow和Keras框架进行讲解，这种选择体现了作者对技术趋势的敏锐把握——毕竟这两个框架已经成为工业界和学术界的事实标准。

从内容架构来看，本书最值得称道的是其循序渐进的项目体系。从最基础的手写数字识别MNIST项目开始，逐步延伸到图像分类、自然语言处理等实用场景，每个章节都配有完整可运行的代码示例。这种设计让读者能够在实际编码中理解神经网络各层（如卷积层、池化层、全连接层）的作用机制，而非停留在抽象概念层面。

特别值得注意的是第七章关于『模型优化与部署』的讨论。许多入门书籍止步于模型训练，但本书用整整一章篇幅讲解如何评估模型性能、防止过拟合、以及使用TensorFlow Serving进行简单部署，这种『全链路』视角在同类入门书中较为少见，体现了实战导向的诚意。

当然，本书并非完美。对于希望深入理解反向传播数学原理或最新研究进展的读者来说，内容深度可能有所欠缺。但作为一本让初学者在两周内搭建起实用神经网络项目的指南，它确实出色地完成了使命。书中那些看似简单的『调参技巧』和『常见错误排查』，正是新手在实际操作中最需要的经验结晶。

适合谁读

适合

具备Python基础、希望快速入门神经网络的编程爱好者
需要将神经网络应用于实际项目的数据分析人员
高校计算机相关专业寻求实践补充材料的学生
转型人工智能方向的软件开发工程师

不适合

希望深入研究神经网络数学理论与前沿算法的研究者
已熟练掌握TensorFlow/Keras并寻求高级技巧的资深开发者

阅读建议

建议按照章节顺序实践每个示例代码，运行成功后再阅读理论解析
重点阅读第四章『卷积神经网络』和第六章『循环神经网络』，这两章包含大量行业应用场景
可配合官方TensorFlow文档查阅书中提到的函数接口，加深理解

出版社简介

电子工业出版社中国 · 成立于 1982 年

电子工业出版社是一家以电子信息及相关领域为出版特色的综合性出版社。从库内三千余种图书来看，其出版方向覆盖编程设计、人工智能、计算机综合、财经、摄影与社科等门类，既关注技术前沿，也兼顾大众阅读。代表图书包括《因子投资：方法与实践》《x86汇编语言：从实模式到保护模式》《RISC-V开放架构设计之道》《人工智能：语音识别理解与实践》《相控阵雷达技术》《雷达目标特性》及《100个Go语言典型错误》等，多围绕技术方法与工程实践展开。作者资源方面，有石川、李忠、王晓波、大卫·帕特森、安德鲁·沃特曼、余子濠等中外作者。受公开资料所限，暂不展开更多出版特色。

版权信息
关于作者
内容简介
前言
第1章绪论
1.1 机器学习简介
1.1.1 什么是机器学习
1.1.2 机器学习常用术语
1.2 Python简介
1.2.1 Python的优势
1.2.2 scikit-learn和TensorFlow
1.3 前期准备
1.3.1 训练、交叉验证与测试
1.3.2 简易数据预处理
1.4 本章小结
第2章经典传统机器学习算法简介
2.1 朴素贝叶斯
2.1.1 条件独立性假设
2.1.2 贝叶斯思维
2.1.3 模型算法
2.1.4 实例演示
2.1.5* 参数估计
2.1.6* 朴素贝叶斯的改进
2.2 决策树
2.2.1 决策的方法
2.2.2 决策树的生成
2.2.3 决策树的剪枝
2.2.4 实例演示
2.2.5* 决策树的三大算法
2.2.6* 数据集的划分
2.2.7* 决策树与回归
2.3 支持向量机
2.3.1 分离超平面与几何间隔
2.3.2* 感知机与SVM的原始形式
2.3.3 梯度下降法
2.3.4* 核技巧
2.3.5 实例演示
2.4 Logistic回归
2.5 本章小结
第3章神经网络入门
3.1 神经网络的结构
3.2 前向传导算法
3.2.1 算法概述
3.2.2 算法内涵
3.2.3 激活函数
3.2.4 损失函数
3.3* 反向传播算法
3.3.1 算法概述
3.3.2 损失函数的选择
3.4 参数的更新
3.4.1 Vanilla Update
3.4.2 Momentum Update
3.4.3 Nesterov Momentum Update
3.4.4 AdaGrad
3.4.5 RMSProp
3.4.6 Adam
3.5 TensorFlow模型的基本框架
3.5.1 TensorFlow的组成单元与基本思想
3.5.2 TensorFlow模型的基本元素
3.5.3 TensorFlow元素的整合方法
3.5.4 TensorFlow模型的save ＆ load
3.6 朴素神经网络的实现与评估
3.7 本章小结
第4章从传统算法走向神经网络
4.1 朴素贝叶斯的线性形式
4.2 决策树生成算法的本质
4.2.1 第1隐藏层→决策超平面
4.2.2 第2隐藏层→决策路径
4.2.3 输出层→叶节点
4.2.4 具体实现
4.3 模型转换的实际意义
4.3.1 利用Softmax来赋予概率意义
4.3.2 利用Tanh+Softmax来“软化”模型
4.3.3 通过微调来缓解“条件独立性假设”
4.3.4 通过微调来丰富超平面的选择
4.3.5 模型逆转换的可能性
4.4 模型转换的局限性
4.5 本章小结
第5章神经网络进阶
5.1 层结构内部的额外工作
5.1.1 Dropout
5.1.2 Batch Normalization
5.1.3 具体实现
5.2 “浅”与“深”的结合
5.2.1 离散型特征的处理方式
5.2.2 Wide and Deep模型概述
5.2.3 Wide and Deep的具体实现
5.2.4 WnD的重要思想与优缺点
5.3 神经网络中的“决策树”
5.3.1 DNDF结构概述
5.3.2* DNDF的具体实现
5.3.3 DNDF的应用场景
5.3.4* DNDF的结构内涵
5.4 神经网络中的剪枝
5.4.1 Surgery算法概述
5.4.2 Surgery算法改进
5.4.3 软剪枝的具体实现
5.4.4* 软剪枝的算法内涵
5.5 AdvancedNN的结构设计
5.5.1 AdvancedNN的实现补足
5.5.2 WnD与DNDF
5.5.3 DNDF与剪枝
5.5.4 剪枝与Dropout
5.5.5 没有免费的午餐
5.6 AdvancedNN的实际性能
5.7 本章小结
第6章半自动化机器学习框架
6.1 数据的准备
6.1.1 数据预处理的流程
6.1.2 数据准备的流程
6.2 数据的转换
6.2.1 数据的数值化
6.2.2 冗余特征的去除
6.2.3 缺失值处理
6.2.4 连续型特征的数据预处理
6.2.5 特殊类型数据的处理
6.3 AutoBase的实现补足
6.4 AutoMeta的实现
6.5 训练过程的监控
6.5.1 监控训练过程的原理
6.5.2 监控训练的实现思路
6.5.3 监控训练的具体代码
6.6 本章小结
第7章工程化机器学习框架
7.1 输出信息的管理
7.2 多次实验的管理
7.2.1 多次实验的框架
7.2.2 多次实验的初始化
7.2.3 多次实验中的数据划分
7.2.4 多次实验中的模型评估
7.2.5 多次实验的收尾工作
7.3 参数搜索的管理
7.3.1 参数搜索的框架
7.3.2* 随机搜索与网格搜索
7.3.3 参数的选取
7.3.4 参数搜索的收尾工作
7.3.5 具体的搜索方案
7.4 DistAdvanced的性能
7.5 本章小结
附录A SVM的TensorFlow实现
附录B numba的基本应用
附录C 装饰器的基本应用
附录D 可视化
附录E 模型的评估指标
附录F 实现补足

常见问题

需要多深的数学基础才能理解本书内容？

本书以直观解释为主，仅需高中阶段数学知识即可理解大部分内容，涉及偏导数和矩阵运算处都有逐步说明。

书中的代码示例是否兼容最新版TensorFlow？

本书基于TensorFlow 1.x编写，部分API在2.x版本已有变化，但核心概念完全适用，建议参考官方迁移指南进行调整。

与其他神经网络入门书籍相比，本书特色是什么？

最大特色是『轻理论、重实现』，每个概念都配有可立即运行的代码，且项目案例都来自实际应用场景，非单纯教学示例。

微信读书相关

读者评论

查询本书

本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。

作者简介

何宇健作者

何宇健，公开资料有限，目前可确认的身份是一位技术图书作者，其代表作品为《Python与神经网络实战》，在图书分类中归入编程设计类。从现有信息看，他的写作面向编程实践与神经网络应用，选择以Python这一广泛使用的编程语言为切入点，将编程技巧与神经网络的实际操作结合起来，属于典型的技术实战型写作路线。由于库内仅收录其作品一种，尚无法判断其写作风格的完整面貌，也难以勾勒其创作脉络与题材分布。读者若关注Python编程与神经网络入门实践，可将这本书作为了解其写作取向的参考；至于作者的教育背景、职业经历及其他著作情况，目前没有可靠公开信息可供介绍，宜待更多资料出现后再作补充。